日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2506.17462

LVLMが統括する知覚・推論・行動による汎用ロボットナビゲーション

General-Purpose Robotic Navigation via LVLM-Orchestrated Perception, Reasoning, and Acting

シェア:XThreadsFacebookLINEはてブBluesky

LVLMエージェントが知覚・推論・ナビゲーションのツール群を自律的に組み合わせて実行する汎用ナビゲーション枠組みARNAを提案し、未マップ環境での性能を実証した。

詳しい要約

1. どんなもの?

- 未知環境での汎用ナビゲーションを目指すフレームワーク **ARNA (Agentic Robotic Navigation Architecture)** の提案 - LVLM ベースのエージェントに、現代のロボティクススタック由来の perception・reasoning・navigation ツール群をライブラリとして持たせる - 実行時にエージェントがタスク固有のワークフローを自律的に定義・実行し、モジュールへの問い合わせ・マルチモーダル入力の推論・ナビゲーション行動の選択を反復する - 事前マップ不要の未知環境ナビゲーションと推論を狙う、ロボティクススタック設計への新しい視点

2. 先行研究と比べてどこがすごい?

- 既存システムの多くはタスク固有の neural network と固定された情報フローに依存し、汎化性が限られる - 従来の LVLM-robot 統合は事前マップ空間・ハードコードされた表現・硬直した制御ロジックに依存していた - ARNA は事前マップ不要で、エージェントが実行時にワークフローを自律定義する点が異なる - 固定パイプラインではなくツール群を動的に編成する agentic な定式化を採用

3. 技術・手法の肝は?

- LVLM エージェントに perception・reasoning・navigation のツールライブラリを付与 - 実行時にタスク固有ワークフローを自律的に定義・実行 - モジュールへの反復的クエリ、マルチモーダル入力上の推論、ナビゲーション行動の選択を繰り返す - 現代のロボティクススタックからツールを流用する構成 - 詳細なモジュール実装は要旨からは不明

4. どうやって有効だと検証した?

- Habitat Lab 上の **HM-EQA** benchmark で評価 - EQA 特化の state-of-the-art 手法を上回る性能を報告 - **RxR** および custom tasks で定性結果を示し、幅広いナビゲーション課題への汎化を提示 - 定量指標の詳細は要旨からは不明

5. 議論はある?

- 事前マップ不要の未知環境でのナビゲーションと推論を可能にする点を主張 - ロボティクススタック設計への新しい視点を提示 - 限界・失敗事例・計算コスト・安全性などの議論は要旨からは不明

6. 次に読むべき論文は?

- **HM-EQA** benchmark および EQA 特化の state-of-the-art 手法(比較対象) - **Habitat Lab** 関連のナビゲーション研究 - **RxR** を用いた Vision-and-Language Navigation 研究 - LVLM をロボット計画に用いる先行 LVLM-robot 統合研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Bernard Lange, Anil Yildiz, Mansur Arief, Shehryar Khattak, Mykel Kochenderfer, Georgios Georgakis

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Developing general-purpose navigation policies for unknown environments remains a core challenge in robotics. Most existing systems rely on task-specific neural networks and fixed information flows, limiting their generalizability. Large Vision-Language Models (LVLMs) offer a promising alternative by embedding human-like knowledge for reasoning and planning, but prior LVLM-robot integrations have largely depended on pre-mapped spaces, hard-coded representations, and rigid control logic. We introduce the Agentic Robotic Navigation Architecture (ARNA), a general-purpose framework that equips an LVLM-based agent with a library of perception, reasoning, and navigation tools drawn from modern robotic stacks. At runtime, the agent autonomously defines and executes task-specific workflows that iteratively query modules, reason over multimodal inputs, and select navigation actions. This agentic formulation enables robust navigation and reasoning in previously unmapped environments, offering a new perspective on robotic stack design. Evaluated in Habitat Lab on the HM-EQA benchmark, ARNA outperforms state-of-the-art EQA-specific approaches. Qualitative results on RxR and custom tasks further demonstrate its ability to generalize across a broad range of navigation challenges.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI