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:2510.19655

LaViRA: 連続環境におけるゼロショット視覚言語ナビゲーションのための言語・視覚・ロボット行動翻訳

LaViRA: Language-Vision-Robot Actions Translation for Zero-Shot Vision Language Navigation in Continuous Environments

シェア:XThreadsFacebookLINEはてブBluesky

自然言語指示に基づき未学習の連続環境をナビゲートするゼロショット手法。行動を言語・視覚・ロボットの3階層に分解し、各段階で異なる規模のマルチモーダル大規模言語モデルを活用することで、汎化性能と実機制御の効率を両立した。

詳しい要約

1. どんなもの?

- LaViRAは、連続環境におけるゼロショットVision-and-Language Navigation(VLN-CE)のためのフレームワーク。 - エージェントは自然言語指示に基づき、事前学習なしで未見環境をナビゲートする。 - 行動をLanguage Action(高レベル計画)、Vision Action(中レベル知覚グラウンディング)、Robot Action(低レベル制御)の粗から細への階層に分解する。 - 異なるスケールのMultimodal Large Language Models(MLLMs)の強みを各段階で活用する。

2. 先行研究と比べてどこがすごい?

- 既存手法は、環境固有のwaypoint predictorsに依存しシーン汎化が制限されるか、ナビゲーション中の大規模モデルの推論能力を十分に活用できないというトレードオフがあった。 - LaViRAはこのジレンマを階層分解で解消し、環境固有の予測器に依存せず汎化性を高める。 - VLN-CEベンチマークで既存のstate-of-the-art手法を大幅に上回る。 - 未見環境での優れた汎化性能を示し、透明性と実世界展開の効率性も維持する。

3. 技術・手法の肝は?

- 行動を3階層に分解するモジュラーフレームワーク。 - Language Action:高レベル計画を担当。 - Vision Action:中レベルの知覚グラウンディングを担当。 - Robot Action:低レベル制御を担当。 - 各段階で異なるスケールのMultimodal Large Language Models(MLLMs)の強みを活用する。 - これにより推論・グラウンディング・実機制御を統合する。

4. どうやって有効だと検証した?

- VLN-CEベンチマーク上で評価を実施。 - 既存のstate-of-the-art手法と比較し、大幅な性能向上を確認。 - 未見環境における汎化性能を検証。 - 透明性と効率性の観点も示す。 - 具体的な実験設定・指標の詳細は要旨からは不明。

5. 議論はある?

- 環境固有のwaypoint predictorsに依存しない点が汎化性の鍵として議論される。 - 大規模モデルの推論能力をナビゲーション中に活用する設計の有効性を示す。 - 透明性と実世界展開の効率性を維持できると主張。 - 限界や失敗事例、計算コストの詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- VLN-CEベンチマークに関する先行state-of-the-art手法(要旨では具体名の記載なし)。 - 環境固有のwaypoint predictorsを用いる従来手法。 - Multimodal Large Language Models(MLLMs)をナビゲーションに活用する研究。 - ゼロショットVision-and-Language Navigation(VLN)の関連研究。 - プロジェクトページ:https://robo-lavira.github.io/lavira-zs-vln/

※ 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: Hongyu Ding, Ziming Xu, Yudong Fang, You Wu, Zixuan Chen, Jieqi Shi, Jing Huo, Yifan Zhang, Yang Gao

分類: cs.RO

原文アブストラクト

LaViRA: Zero-shot Vision-and-Language Navigation in Continuous Environments (VLN-CE) requires an agent to navigate unseen environments based on natural language instructions without any prior training. Current methods face a critical trade-off: either rely on environment-specific waypoint predictors that limit scene generalization, or underutilize the reasoning capabilities of large models during navigation. We introduce LaViRA, a simple yet effective zero-shot framework that addresses this dilemma by decomposing action into a coarse-to-fine hierarchy: Language Action for high-level planning, Vision Action for middle-level perceptual grounding, and Robot Action for low-level control. This modular decomposition allows us to leverage the distinct strengths of different scales of Multimodal Large Language Models (MLLMs) at each stage, creating a system that is powerful in its reasoning, grounding and practical control. LaViRA significantly outperforms existing state-of-the-art methods on the VLN-CE benchmark, demonstrating superior generalization capabilities in unseen environments, while maintaining transparency and efficiency for real-world deployment. Project page: https://robo-lavira.github.io/lavira-zs-vln/

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI