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:2509.24321

SONAR: クロスモーダル推論による意味的物体ナビゲーションの集約的推論

SONAR: Semantic-Object Navigation with Aggregated Reasoning through a Cross-Modal Inference Paradigm

シェア:XThreadsFacebookLINEはてブBluesky

意味マップと視覚言語モデルを組み合わせ、未知環境での物体ナビゲーションを頑健にする手法を提案し、MP3Dで評価した。

詳しい要約

1. どんなもの?

- 未知環境でのVision-Language Navigationタスクを対象としたロボットナビゲーション手法SONARを提案。 - セマンティックマップベースの目標予測モジュールとVision-Language Modelベースの価値マップモジュールを統合。 - 意味的手がかりの強弱に応じてロバストなナビゲーションを実現し、汎化性能とシーン適応性のバランスを取る。 - GazeboシミュレータとMatterport 3D (MP3D)データセットで評価。

2. 先行研究と比べてどこがすごい?

- 既存のモジュラーアプローチは訓練データ品質に強く依存し汎化性能が低い。 - Vision-Language Modelベース手法は汎化能力が高いが、意味的手がかりが弱い場合に性能が不十分。 - SONARは両者を統合し、意味的手がかりの強弱に対応できる点が優れている。 - 目標位置推定においてマルチスケールセマンティックマップと信頼度マップを統合し、誤検出を軽減する戦略を提案。

3. 技術・手法の肝は?

- セマンティックマップベースの目標予測モジュールとVision-Language Modelベースの価値マップモジュールを組み合わせたクロスモーダル推論パラダイム。 - 目標位置推定では、マルチスケールセマンティックマップと信頼度マップを統合する戦略を採用し、誤検出を抑制。 - 集約推論により、未知環境でのナビゲーションをロバスト化。

4. どうやって有効だと検証した?

- Gazeboシミュレータ上で、最も挑戦的なMatterport 3D (MP3D)データセットをベンチマークとして評価。 - 成功率38.4%、SPL 17.7%を達成。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- Vision-Language Modelベースのナビゲーション手法(例:VLN BERT, VLN↻BERTなど)や、モジュラーアプローチの代表的手法、セマンティックマッピングを用いたナビゲーション研究が関連。 - 具体的な比較対象は要旨からは不明。

※ 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: Yao Wang, Zhirui Sun, Wenzheng Chi, Baozhi Jia, Wenjun Xu, Jiankun Wang

分類: cs.RO

原文アブストラクト

Understanding human instructions and accomplishing Vision-Language Navigation tasks in unknown environments is essential for robots. However, existing modular approaches heavily rely on the quality of training data and often exhibit poor generalization. Vision-Language Model based methods, while demonstrating strong generalization capabilities, tend to perform unsatisfactorily when semantic cues are weak. To address these issues, this paper proposes SONAR, an aggregated reasoning approach through a cross modal paradigm. The proposed method integrates a semantic map based target prediction module with a Vision-Language Model based value map module, enabling more robust navigation in unknown environments with varying levels of semantic cues, and effectively balancing generalization ability with scene adaptability. In terms of target localization, we propose a strategy that integrates multi-scale semantic maps with confidence maps, aiming to mitigate false detections of target objects. We conducted an evaluation of the SONAR within the Gazebo simulator, leveraging the most challenging Matterport 3D (MP3D) dataset as the experimental benchmark. Experimental results demonstrate that SONAR achieves a success rate of 38.4% and an SPL of 17.7%.

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