STRIVE: VLM推論を統合した構造的表現による効率的物体ナビゲーション

- 目的: VLMを物体ナビゲーションに活用する際の環境表現とVLM呼び出しの制御を改善するフレームワークSTRIVEの提案。 - 構成: ナビゲーション中に環境の多層表現を構築。viewpoint nodes、object nodes、room nodesの3層からなる。 - 役割: viewpoint/object nodesは室内探索と目標定位、room nodesは室間計画を担う。 - 方針: VLM推論による高レベル計画とVLM支援の低レベル探索を統合する二段階ナビゲーションポリシー。 - 対象: 連続環境における物体ナビゲーションタスク。

- 課題認識: 従来は複雑な環境情報の表現が不十分で、VLMへの過度な依存(毎ステップ照会等)が不要な後戻りと効率低下を招く。 - 改善点: 多層表現により環境理解を構造化し、VLM照会の『いつ・どう』を二段階ポリシーで制御。 - 成果: HM3D、RoboTHOR、MP3Dの3ベンチマークで成功率+7.1%、ナビゲーション効率+12.5%のstate-of-the-artを達成。 - 実機: 実ロボットでも10環境15タスクで頑健性を確認。

- 表現: ナビゲーション中にviewpoint nodes、object nodes、room nodesからなる多層環境表現を構築。 - 探索: viewpoint/object nodesで室内(intra-room)探索と目標物体の正確な定位を支援。 - 計画: room nodesで室間(inter-room)計画を効率化。 - ポリシー: 二段階構成。高レベル計画はVLM推論で誘導し、低レベル探索はVLM支援で目標物体を効率的に探索。 - 狙い: VLM照会のタイミングと方法を構造化表現に基づき決定し、過剰照会や後戻りを抑制。

- シミュレーション: HM3D、RoboTHOR、MP3Dの3ベンチマークで評価。 - 指標: 成功率(success rate)とナビゲーション効率(navigation efficiency)でstate-of-the-artを報告(+7.1%、+12.5%)。 - 実機: 実ロボットプラットフォーム上で、10種類の屋内環境における15の物体ナビゲーションタスクで頑健性を検証。 - 公開: プロジェクトページを公開。

- 主張: 多層表現と二段階ポリシーにより、環境理解不足とVLM過依存に起因する後戻り・効率低下を緩和。 - 限界: 具体的な失敗事例、計算コスト、VLM照会頻度の定量分析は要旨からは不明。 - 一般性: 実機10環境15タスクで頑健性を示すが、詳細な条件や比較は要旨からは不明。 - 今後の課題: 表現構築コストやVLM依存度の更なる最適化は要旨からは不明。

- VLMを物体ナビゲーションに統合した先行研究(VLM-based object navigation)。 - 連続環境向けナビゲーション手法とそのベンチマークHM3D、RoboTHOR、MP3D。 - 環境のグラフ/多層表現を用いるナビゲーション(room/object/viewpoint表現)。 - 高レベル計画と低レベル探索を統合する階層的ナビゲーションポリシー。 - 実機物体ナビゲーションの評価プロトコル。