CompassNav: ナビゲーションにおける経路模倣から意思決定理解への転換

- LVLM (Large Vision-Language Model) を用いた navigation の新しい学習パラダイムを提案する研究。 - 従来の expert trajectory の模倣 (Path Imitation) から、意思決定の理解 (Decision Understanding) へと転換することを主張。 - 具体的には 22k trajectory の dataset「Compass-Data-22k」と、gap-aware hybrid reward function を導入。 - SFT-then-RFT の recipe で訓練した CompassNav agent を構築し、7B model で Goal navigation benchmark の SOTA を達成、実機ロボットでも動作。

- 従来の支配的パラダイムは expert trajectory の模倣であり、複雑な navigation を単一の正解経路の sequence-to-sequence 複製に還元していた。 - これにより agent の探索能力と汎化能力が本質的に制限されていた。 - 本研究は経路の丸暗記ではなく、全ての可能な行動の相対的品質を評価してゴール方向を直感する「internal compass」を獲得させる点が新しい。 - 7B model でより大規模な proprietary model を上回る性能を Goal navigation benchmark で示した。

- Compass-Data-22k: 22k trajectory の新 dataset。RFT 用 subset では全ての feasible action に A* geodesic distance を注釈し、decision landscape の全景を提供。 - gap-aware hybrid reward function: decision certainty に応じて feedback を動的に適応させ、最適行動には決定的な signal、探索を促す場合には nuanced な score を出す。 - SFT-then-RFT recipe に統合し、静的経路の記憶ではなく全可能手の相対品質評価による internal compass を学習。

- Goal navigation benchmark で評価し、7B agent が新たな state-of-the-art を達成。 - より大規模な proprietary model をも上回る性能を示した。 - 物理ロボット上での実世界 goal navigation も robust に達成したと報告。 - 個々の ablation や定量詳細は要旨からは不明。

- 要旨からは不明。 - ただし Path Imitation から Decision Understanding への転換という主張、および gap-aware hybrid reward の設計妥当性は議論の余地があると考えられる。 - 実機での robust 性の範囲や限界については要旨からは不明。

- 要旨で参照/比較されている expert trajectory imitation ベースの LVLM navigation 研究 (具体名は要旨からは不明)。 - A* geodesic distance を用いる navigation 手法。 - Reinforcement Fine-Tuning (RFT) および SFT-then-RFT recipe 関連研究。 - Goal navigation benchmark の代表的手法 (一般名)。