日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2512.01550

NavForesee:階層的計画と二重時間軸ナビゲーション予測のための統合視覚言語ワールドモデル

NavForesee: A Unified Vision-Language World Model for Hierarchical Planning and Dual-Horizon Navigation Prediction

シェア:XThreadsFacebookLINEはてブBluesky

単一の視覚言語モデルで、言語指示の分解・進捗追跡による高レベル計画と、短期環境変化・長期マイルストーンの予測を同時に行い、屋内ナビゲーション性能を向上させた研究。

詳しい要約

1. どんなもの?

- 長期的な自然言語指示に基づくembodied navigationのための新しいVision-Language Model (VLM) - 高レベルの言語planningと予測的なworld modelのimaginationを単一の統合フレームワークで実現 - 単一のVLMがplanningとpredictive foresightを同時に実行 - 指示全体と履歴observationを条件として、タスク分解・進捗追跡・次のsub-goalの定式化を行う - 同時に生成的なworld modelとして、短期的な環境dynamicsと長期的なnavigation milestonesを予測

2. 先行研究と比べてどこがすごい?

- 既存のagentは未見環境に対する堅牢な長期planningが苦手で失敗率が高い - NavForeseeはplanningと予測を単一のVLMに統合し、明示的な言語planningと暗黙的な時空間予測を融合 - 構造化されたplanが予測を導き、想像された未来がnavigation行動の文脈を与える内部フィードバックループを形成 - R2R-CEとRxR-CE benchmarkで複雑なシナリオにおいて非常に競争力のある性能を達成

3. 技術・手法の肝は?

- 単一のVLMがplanningとpredictive foresightを同時に実行する統合フレームワーク - 入力: 指示全体と履歴observation - planning側: タスク分解、進捗追跡、次のsub-goalの定式化 - world model側: 短期的な環境dynamicsと長期的なnavigation milestonesの予測 - 構造化planがtargeted predictionを導き、imagined futureがnavigation行動に文脈を提供 - perception-planning/prediction-actionの内部フィードバックループを構成

4. どうやって有効だと検証した?

- R2R-CEとRxR-CE benchmarkでの広範な実験 - 複雑なシナリオにおいて非常に競争力のある性能を達成したと報告 - 具体的な比較手法や指標の詳細は要旨からは不明

5. 議論はある?

- 明示的な言語planningと暗黙的な時空間予測の融合の可能性を強調 - より知的で有能なembodied agentへの道を開くと主張 - 失敗率や限界、ablationの詳細は要旨からは不明

6. 次に読むべき論文は?

- R2R-CEおよびRxR-CE benchmarkに関する先行研究(Vision-Language Navigation手法) - VLMを用いたembodied navigationのplanning手法 - world modelを用いたnavigation予測手法 - 具体的な参照論文は要旨からは不明

※ 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: Fei Liu, Shichao Xie, Minghua Luo, Zedong Chu, Junjun Hu, Xiaolong Wu, Mu Xu

分類: cs.RO, cs.CV

原文アブストラクト

Embodied navigation for long-horizon tasks, guided by complex natural language instructions, remains a formidable challenge in artificial intelligence. Existing agents often struggle with robust long-term planning about unseen environments, leading to high failure rates. To address these limitations, we introduce NavForesee, a novel Vision-Language Model (VLM) that unifies high-level language planning and predictive world model imagination within a single, unified framework. Our approach empowers a single VLM to concurrently perform planning and predictive foresight. Conditioned on the full instruction and historical observations, the model is trained to understand the navigation instructions by decomposing the task, tracking its progress, and formulating the subsequent sub-goal. Simultaneously, it functions as a generative world model, providing crucial foresight by predicting short-term environmental dynamics and long-term navigation milestones. The VLM's structured plan guides its targeted prediction, while the imagined future provides rich context to inform the navigation actions, creating a powerful internal feedback loop of perception-planning/prediction-action. We demonstrate through extensive experiments on the R2R-CE and RxR-CE benchmark that NavForesee achieves highly competitive performance in complex scenarios. Our work highlights the immense potential of fusing explicit language planning with implicit spatiotemporal prediction, paving the way for more intelligent and capable embodied agents.

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