Tracely
визуальная навигация по улицам для Qwen3-VL-8B
2 min readupdated
Модель получает фото улицы от первого лица и текстовую команду вроде «подойди к скамейке слева», а на выходе рисует траекторию движения человека в виде списка нормализованных 2D-координат на изображении. Это LoRA-адаптер (небольшая обучаемая надстройка весом 44M параметров) от автора ahd03 поверх мультимодальной модели Qwen3-VL-8B-Instruct. Главная фишка в том, что адаптер обучался исключительно на синтетических сценах из Blender без единой реальной фотографии, но при этом показывает сильный результат на реальных сценариях бенчмарка NaviTrace. Пригодится разработчикам робототехники, ассистентов для слабовидящих и исследователям VLM-навигации (Vision-Language Navigation).
Ключевые особенности
- Обучение только на синтетике: использовано 8 392 тренировочных примера из датасета
vln-synthetic-streets(три процедурно сгенерированных города в Blender), визуальный энкодер при этом был заморожен. - Сильный прирост над базой: на валидации NaviTrace общий балл вырос с -28.3 у исходной Qwen3-VL-8B до 36.9 (ориентировочно выше, чем средние показатели Gemini 2.5 Pro и GPT-5 в лидерборде).
- Учёт препятствий и рельефа: модель лучше всего справляется с динамическими (50.5) и статичными препятствиями (41.1), а также учитывает семантику покрытия и доступность пути.
- Компактный формат: LoRA rank 16 (44M обучаемых параметров) подключается через библиотеку
peftповерх стандартной 8B-модели.
Что можно сделать
- Прототипирование навигации: встроить в пайплайн пешеходного робота или AR-подсказчика для прокладки безопасного маршрута по кадру с камеры.
- Разметка путей на изображениях: использовать генерацию координат от нижней границы кадра (y = 0.95) до целевого объекта для визуализации траекторий в симуляторах и городских датасетах.
- Исследование sim-to-real переноса: взять за основу для экспериментов по дообучению VLM на процедурных 3D-сценах с последующим переносом на реальные фото.
Пример
from peft import PeftModel
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
base = "Qwen/Qwen3-VL-8B-Instruct"
processor = AutoProcessor.from_pretrained(base)
model = Qwen3VLForConditionalGeneration.from_pretrained(base, torch_dtype="auto", device_map="cuda")
model = PeftModel.from_pretrained(model, "ahd03/tracely").eval()
# На вход подаётся фото (длинная сторона 896 px) и системный/пользовательский промпт NaviTrace
Подробнее
Бенчмарк NaviTrace (500 сценариев Human validation): общий балл 36.9 (против -28.3 у базовой Qwen3-VL-8B; ориентиры лидерборда: человек-эксперт — 75.5, Gemini 2.5 Pro — 35.4, GPT-5 — 21.1).Обучение: LoRA rank 16, alpha 32 (44M параметров) на проекциях языковой модели в 3 раунда на A100 80 GB (~4 часа), разрешение 896 px.
Ограничения: работает по одному кадру без памяти предыдущих, обучена только под пешеходный режим (Human embodiment), слабее всего отрабатывает социальные нормы (24.1 балла).










Comments