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:2602.02220

LangMap: 人間検証済みの階層的オープンボキャブラリ目標ナビゲーションのベンチマーク

LangMap: A Human-Verified Benchmark for Hierarchical Open-Vocabulary Goal Navigation

シェア:XThreadsFacebookLINEはてブBluesky

言語条件付き目標ナビゲーションのための、シーン・部屋・領域・インスタンスの4階層の目標を人間が検証した注釈でカバーする初の実世界3D屋内ナビゲーションベンチマークLangMapを提案し、RGBのみの強力なベースラインPlaNaVidも導入した。

詳しい要約

1. どんなもの?

- 言語条件付き目標ナビゲーション(LGN)の新しいベンチマーク「LangMap」を提案。 - 目標をscene, room, region, instanceの4階層の意味レベルで指定するHieraNavタスクを導入。 - 実世界の3D屋内ナビゲーション用で、人手検証済みの意味アノテーションを備える。 - 414の物体カテゴリをカバーし、18K以上のタスクを含む。 - 各目標には簡潔な説明と詳細な説明がペアで付与され、指示スタイルの評価が可能。

2. 先行研究と比べてどこがすごい?

- 既存ベンチマークはカテゴリレベルの目標やVLM生成のインスタンス記述に依存し、曖昧さや意味的誤りがあった。 - LangMapは人手検証済みのアノテーションを提供し、4階層すべての目標レベルをサポートする初の実世界3D屋内ナビゲーションベンチマーク。 - インスタンス記述の品質がGOAT-Benchのアノテーションよりtext-to-viewマッチングで23ポイント優れる。

3. 技術・手法の肝は?

- 厳密な対比的アノテーションプロトコルを採用し、同一シーン内の領域とインスタンスを比較して識別的な記述を生成。 - 領域ラベルと識別的な領域・インスタンス記述を提供。 - 各目標に簡潔な説明と詳細な説明をペアで付与。 - ベースラインとしてPlaNaVidを提案:RGBのみでBounded Diverse Memory (BDM)と高レベルプランニングを組み合わせ、反応的ポリシーをマルチゴールナビゲーションに適用。

4. どうやって有効だと検証した?

- 定量的・定性的分析によりアノテーション品質を検証。 - インスタンス記述がGOAT-Benchよりtext-to-viewマッチングで23ポイント優れることを示す。 - PlaNaVidがdepth、3Dシーン表現、オブジェクトマスクなしでトップクラスの成功率を達成。 - メモリと豊富なコンテキストが性能を向上させることを分析。

5. 議論はある?

- 長尾カテゴリ、小さな物体、遠くの目標、マルチゴール完了が未解決の課題として残る。 - メモリとコンテキストの重要性が示唆される。 - その他の議論や限界については要旨からは不明。

6. 次に読むべき論文は?

- GOAT-Bench(比較対象として言及) - VLM(Vision-Language Model)を用いたナビゲーション研究 - 言語条件付きナビゲーションの既存ベンチマーク(例:REVERIE, RxR) - 階層的ナビゲーションやオープンボキャブラリーナビゲーションの関連研究

※ 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: Bo Miao, Weijia Liu, Jun Luo, Lachlan Shinnick, Jian Liu, Thomas Hamilton-Smith, Yuhe Yang, Zijie Wu, Vanja Videnovic, Feras Dayoub, Anton van den Hengel

分類: cs.CV, cs.RO

原文アブストラクト

Language-conditioned goal navigation (LGN) requires agents to locate user-specified targets without step-by-step guidance. However, existing benchmarks largely focus on category-level goals or rely on instance descriptions generated by vision-language models (VLMs), which often contain ambiguities and semantic errors, limiting systematic and reliable evaluation. We introduce HieraNav, an open-vocabulary LGN task with goals specified at four hierarchical semantic levels: scene, room, region, and instance. To this end, we present Language as a Map (LangMap), to our knowledge the first real-world 3D indoor navigation benchmark with human-verified semantic annotations to support tasks across all four goal levels. LangMap provides region labels and discriminative region and instance descriptions covering 414 object categories, produced through a rigorous contrastive annotation protocol comparing same-scene regions and instances, and contains over 18K tasks. Each target is paired with concise and detailed descriptions, enabling evaluation across instruction styles. Quantitative and qualitative analyses validate our annotation quality; notably, our instance descriptions outperform GOAT-Bench annotations by 23 percentage points in text-to-view matching. We further introduce PlaNaVid, a strong RGB-only baseline that combines Bounded Diverse Memory (BDM) with high-level planning to prime a reactive policy for multi-goal navigation. PlaNaVid achieves top-tier success rates without depth, 3D scene representations, or object masks. Further analysis shows that memory and richer context boost performance, while long-tailed categories, small objects, distant targets, and multi-goal completion remain open challenges. The benchmark is available at https://bo-miao.github.io/LangMap

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