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:2508.05021

MAG-Nav: 記憶保持型能動的グラウンディングによる言語駆動物体ナビゲーション

MAG-Nav: Language-Driven Object Navigation Leveraging Memory-Reserved Active Grounding

シェア:XThreadsFacebookLINEはてブBluesky

視点を動かして対象を能動的に見つけ、過去の記憶をたどって曖昧さを解消するVLMベースのゼロショット物体ナビゲーション手法を提案し、四足歩行ロボットでも実証した。

詳しい要約

1. どんなもの?

- 自然言語記述のみを手がかりに未知環境で物体探索・ナビゲーションを行うロボット向けフレームワーク - 既製の Visual Language Models (VLMs) を土台に構築 - 人間に着想を得た2機構を搭載 - perspective-based active grounding: 視点を動的に調整して視覚確認を改善 - historical memory backtracking: 不確実な観測を保持し時間をかけて再評価 - zero-shot で動作し、ラベル付きデータや fine-tuning を必要としない

2. 先行研究と比べてどこがすごい?

- 既存手法は偶発的な視覚入力に受動的に依存している点が課題 - 本研究は知覚を能動的に最適化し、memory で曖昧性を解消する点が異なる - これにより複雑で未見の環境での vision-language grounding を大きく改善 - zero-shot で多様かつ open-ended な言語記述へ強い汎化を示す - HM3D 上で state-of-the-art を上回ると報告

3. 技術・手法の肝は?

- 中核は off-the-shelf の VLMs を活用したナビゲーション骨格 - perspective-based active grounding によりロボットの視点を動的に変更し視覚検査を強化 - historical memory backtracking により不確実な観測を記憶し後から再評価 - 受動的知覚ではなく能動的な知覚最適化と memory 活用で曖昧性を解消 - 詳細なアルゴリズム構成は要旨からは不明

4. どうやって有効だと検証した?

- Habitat-Matterport 3D (HM3D) 上で実験を実施 - language-driven object navigation において state-of-the-art 手法を上回る結果 - 四足歩行ロボットへの実機展開により実用性を実証 - 実環境で robust かつ有効なナビゲーション性能を確認

5. 議論はある?

- 実機四足ロボットでの展開可能性と robust 性に言及 - zero-shot での汎化性を主張 - 限界・失敗事例・計算コストなどの詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較されている具体的な既存研究は明示されていない - 関連手法として Visual Language Models (VLMs) を用いた zero-shot 物体ナビゲーション - ベンチマークとして Habitat-Matterport 3D (HM3D) を用いる language-driven object navigation 研究 - 能動的知覚 (active perception) や memory を用いた視覚ナビゲーションの定番研究

※ 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: Weifan Zhang, Tingguang Li, Yuzhen Liu

分類: cs.RO

原文アブストラクト

Visual navigation in unknown environments based solely on natural language descriptions is a key capability for intelligent robots. In this work, we propose a navigation framework built upon off-the-shelf Visual Language Models (VLMs), enhanced with two human-inspired mechanisms: perspective-based active grounding, which dynamically adjusts the robot's viewpoint for improved visual inspection, and historical memory backtracking, which enables the system to retain and re-evaluate uncertain observations over time. Unlike existing approaches that passively rely on incidental visual inputs, our method actively optimizes perception and leverages memory to resolve ambiguity, significantly improving vision-language grounding in complex, unseen environments. Our framework operates in a zero-shot manner, achieving strong generalization to diverse and open-ended language descriptions without requiring labeled data or model fine-tuning. Experimental results on Habitat-Matterport 3D (HM3D) show that our method outperforms state-of-the-art approaches in language-driven object navigation. We further demonstrate its practicality through real-world deployment on a quadruped robot, achieving robust and effective navigation performance.

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. 2newmo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
  3. 3GXO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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI