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:2511.00033

STRIDER: 指示に整合した構造的決定空間最適化によるナビゲーション

STRIDER: Navigation via Instruction-Aligned Structural Decision Space Optimization

シェア:XThreadsFacebookLINEはてブBluesky

未見の3D環境を自然言語指示でナビゲートするゼロショットVLN-CEにおいて、空間構造の事前知識とタスク進捗フィードバックを組み合わせて決定空間を最適化し、成功率を29%から35%へ向上させたフレームワーク。

詳しい要約

1. どんなもの?

- Zero-shot Vision-and-Language Navigation in Continuous Environments (VLN-CE) のためのフレームワーク STRIDER を提案 - 未見の3D環境を自然言語指示のみでナビゲーションするタスクを対象 - シーン固有の訓練なしで動作する zero-shot 設定 - 空間構造とタスク意図の両方への整合を長期実行で確保することを狙う - 意思決定空間を構造的に最適化する枠組み

2. 先行研究と比べてどこがすごい?

- 既存手法は構造化された意思決定と過去行動のフィードバック統合が不十分で堅牢なナビゲーションに失敗 - STRIDER は spatial layout priors と動的タスクフィードバックを統合 - 空間構造で行動空間を制約する Structured Waypoint Generator を導入 - タスク進捗に応じて挙動を調整する Task-Alignment Regulator を導入 - R2R-CE と RxR-CE で strong SOTA を主要指標で大幅に上回る - Success Rate (SR) を 29% から 35% へ改善(相対 20.7% 向上)

3. 技術・手法の肝は?

- 2つの主要コンポーネントから成る - 1) Structured Waypoint Generator: 空間構造によって行動空間を制約し waypoint を生成 - 2) Task-Alignment Regulator: タスク進捗に基づき挙動を調整し意味的整合を維持 - spatial layout priors と動的タスクフィードバックを意思決定空間の最適化に統合 - 長期horizon実行における空間構造とタスク意図への整合を図る設計

4. どうやって有効だと検証した?

- R2R-CE と RxR-CE ベンチマークで広範な実験を実施 - strong SOTA と主要指標で比較し有意に上回ることを示す - Success Rate (SR) が 29% から 35% へ改善(相対 20.7% 向上) - 空間制約付き意思決定とフィードバック誘導実行の有効性を結果が示すと主張

5. 議論はある?

- 空間的に制約された意思決定とフィードバック誘導実行が zero-shot VLN-CE のナビゲーション忠実度向上に重要と論じる - 具体的な限界・失敗事例・計算コスト・ablation の詳細は要旨からは不明 - 各コンポーネントの個別寄与の定量分析は要旨からは不明

6. 次に読むべき論文は?

- R2R-CE および RxR-CE ベンチマークの関連研究 - zero-shot VLN-CE の strong SOTA 手法(要旨では具体名の記載なし) - Vision-and-Language Navigation in Continuous Environments (VLN-CE) の基礎研究 - waypoint 生成や spatial layout priors を用いるナビゲーション手法 - タスク進捗フィードバックを用いる instruction alignment 関連手法

※ 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: Diqi He, Xuehao Gao, Hao Li, Junwei Han, Dingwen Zhang

分類: cs.RO, cs.AI

原文アブストラクト

The Zero-shot Vision-and-Language Navigation in Continuous Environments (VLN-CE) task requires agents to navigate previously unseen 3D environments using natural language instructions, without any scene-specific training. A critical challenge in this setting lies in ensuring agents' actions align with both spatial structure and task intent over long-horizon execution. Existing methods often fail to achieve robust navigation due to a lack of structured decision-making and insufficient integration of feedback from previous actions. To address these challenges, we propose STRIDER (Instruction-Aligned Structural Decision Space Optimization), a novel framework that systematically optimizes the agent's decision space by integrating spatial layout priors and dynamic task feedback. Our approach introduces two key innovations: 1) a Structured Waypoint Generator that constrains the action space through spatial structure, and 2) a Task-Alignment Regulator that adjusts behavior based on task progress, ensuring semantic alignment throughout navigation. Extensive experiments on the R2R-CE and RxR-CE benchmarks demonstrate that STRIDER significantly outperforms strong SOTA across key metrics; in particular, it improves Success Rate (SR) from 29% to 35%, a relative gain of 20.7%. Such results highlight the importance of spatially constrained decision-making and feedback-guided execution in improving navigation fidelity for zero-shot VLN-CE.

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

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