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:2601.06806

SpatialNav: 空間シーングラフを活用したゼロショット視覚言語ナビゲーション

SpatialNav: Leveraging Spatial Scene Graphs for Zero-Shot Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

環境を事前探索して空間シーングラフを構築し、エージェント中心の地図と方位合わせした視覚表現、遠隔物体位置推定を組み合わせることで、ゼロショット視覚言語ナビゲーションの性能を大幅に向上させた。

詳しい要約

1. どんなもの?

- ゼロショットVLNエージェントSpatialNavを提案 - タスク実行前に環境を完全探索する設定 - Spatial Scene Graph (SSG)を構築し、グローバルな空間構造と意味を明示的に捉える - エージェント中心の空間マップ、コンパス整合視覚表現、遠隔物体位置推定戦略を統合 - 離散・連続環境での実験で既存ゼロショットエージェントを大幅に上回る

2. 先行研究と比べてどこがすごい?

- 学習ベースVLNは大規模データから空間知識を暗黙学習可能 - ゼロショットVLNは局所観測に依存し探索が非効率で性能ギャップ大 - SpatialNavは事前探索でSSGを構築しグローバル空間表現を活用 - 既存ゼロショット手法を大幅に改善し、学習ベース最先端との差を縮小

3. 技術・手法の肝は?

- 事前探索環境でSpatial Scene Graph (SSG)を構築 - SSGはグローバルな空間構造と意味を明示的に表現 - エージェント中心の空間マップを統合 - コンパス整合視覚表現を採用 - 遠隔物体位置推定戦略を導入し効率的ナビゲーションを実現

4. どうやって有効だと検証した?

- 離散環境と連続環境の両方で包括的実験 - 既存ゼロショットエージェントと比較し大幅に性能向上 - 学習ベース最先端手法との性能ギャップを明確に縮小 - グローバル空間表現の重要性を実証

5. 議論はある?

- グローバル空間表現が汎化可能なナビゲーションに重要と強調 - ゼロショット設定での事前探索の有効性を示唆 - 具体的な限界や議論の詳細は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない - 関連手法として学習ベースVLN、ゼロショットVLN、Spatial Scene Graph、Vision-and-Language Navigation (VLN)が挙げられる

※ 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: Jiwen Zhang, Zejun Li, Siyuan Wang, Xiangyu Shi, Zhongyu Wei, Qi Wu

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Although learning-based vision-and-language navigation (VLN) agents can learn spatial knowledge implicitly from large-scale training data, zero-shot VLN agents lack this process, relying primarily on local observations for navigation, which leads to inefficient exploration and a significant performance gap. To deal with the problem, we consider a zero-shot VLN setting that agents are allowed to fully explore the environment before task execution. Then, we construct the Spatial Scene Graph (SSG) to explicitly capture global spatial structure and semantics in the explored environment. Based on the SSG, we introduce SpatialNav, a zero-shot VLN agent that integrates an agent-centric spatial map, a compass-aligned visual representation, and a remote object localization strategy for efficient navigation. Comprehensive experiments in both discrete and continuous environments demonstrate that SpatialNav significantly outperforms existing zero-shot agents and clearly narrows the gap with state-of-the-art learning-based methods. Such results highlight the importance of global spatial representations for generalizable navigation.

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. 2newmo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
  3. 3GXO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
  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