日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAナビゲーションarXiv:2602.12351

LongNav-R1: 長期的VLAナビゲーションのための適応的マルチターン強化学習

LongNav-R1: Horizon-Adaptive Multi-Turn RL for Long-Horizon VLA Navigation

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルによる長期的ナビゲーションを、環境とのマルチターン対話として強化学習する枠組みを提案し、Horizon-Adaptive Policy Optimizationで時間的信用割当を改善、成功率を64.3%から73.0%に向上させた。

詳しい要約

1. どんなもの?

- 本論文は、Visual-Language-Action (VLA) モデルを長期的なナビゲーションタスク向けに最適化する、エンドツーエンドのマルチターン強化学習 (RL) フレームワーク「LongNav-R1」を提案する。 - 従来のシングルターンではなく、ナビゲーションの意思決定をVLAポリシーと実環境との連続的なマルチターン対話として再定式化する。 - これにより、エージェントは履歴相互作用の因果効果と将来の逐次結果を推論できるようになる。 - また、オンライン相互作用から直接学習することで、多様な軌道生成を促進し、人間のデモンストレーションによる行動の硬直化を回避する。 - さらに、Horizon-Adaptive Policy Optimizationを導入し、長いシーケンスでの正確な時間的クレジット割り当てを可能にする。

2. 先行研究と比べてどこがすごい?

- 既存のシングルターン強化学習パラダイムと比較して、マルチターン対話形式に再定式化することで、履歴の因果効果と逐次的な将来結果を推論できる点が優れている。 - オンライン相互作用から直接学習するため、人間のデモンストレーションに依存せず、多様な軌道生成が可能で、行動の硬直化を避けられる。 - Horizon-Adaptive Policy Optimizationにより、可変長のホライズンに対応したアドバンテージ推定が可能となり、長期的タスクでの崩壊を防ぎ、多様なナビゲーション行動を発達させる。 - 実験では、4,000のロールアウト軌道でQwen3-VL-2Bの成功率を64.3%から73.0%に向上させ、サンプル効率と性能で最先端手法を大幅に上回る。

3. 技術・手法の肝は?

- ナビゲーション決定プロセスをVLAポリシーと実環境間の連続的なマルチターン会話として再定式化する。 - マルチターン強化学習フレームワークを採用し、エージェントが履歴相互作用の因果効果と逐次的な将来結果を推論できるようにする。 - オンライン相互作用から直接学習し、多様な軌道生成を促進する。 - Horizon-Adaptive Policy Optimizationを導入し、アドバンテージ推定時に可変ホライズン長を明示的に考慮することで、長いシーケンスでの正確な時間的クレジット割り当てを実現する。

4. どうやって有効だと検証した?

- オブジェクトナビゲーションベンチマークでの実験により、フレームワークの有効性を検証。 - 4,000のロールアウト軌道を用いて、Qwen3-VL-2Bの成功率を64.3%から73.0%に向上させた。 - これらの結果は優れたサンプル効率を示し、最先端手法を大幅に上回ることを実証。 - さらに、長期的な実世界ナビゲーション設定でのゼロショット性能により、モデルの汎化性と堅牢性を検証。

5. 議論はある?

- 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や関連手法は明示されていない。同分野の定番として、Visual-Language-Action (VLA) モデル、強化学習 (RL) を用いたナビゲーション、マルチターンRL、Horizon-Adaptive Policy Optimization、Qwen3-VL-2Bなどが挙げられる。

※ 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: Yue Hu, Avery Xi, Qixin Xiao, Seth Isaacson, Henry X. Liu, Ram Vasudevan, Maani Ghaffari

分類: cs.RO, cs.CV

原文アブストラクト

This paper develops LongNav-R1, an end-to-end multi-turn reinforcement learning (RL) framework designed to optimize Visual-Language-Action (VLA) models for long-horizon navigation. Unlike existing single-turn paradigm, LongNav-R1 reformulates the navigation decision process as a continuous multi-turn conversation between the VLA policy and the embodied environment. This multi-turn RL framework offers two distinct advantages: i) it enables the agent to reason about the causal effects of historical interactions and sequential future outcomes; and ii) it allows the model to learn directly from online interactions, fostering diverse trajectory generation and avoiding the behavioral rigidity often imposed by human demonstrations. Furthermore, we introduce Horizon-Adaptive Policy Optimization. This mechanism explicitly accounts for varying horizon lengths during advantage estimation, facilitating accurate temporal credit assignment over extended sequences. Consequently, the agent develops diverse navigation behaviors and resists collapse during long-horizon tasks. Experiments on object navigation benchmarks validate the framework's efficacy: With 4,000 rollout trajectories, LongNav-R1 boosts the Qwen3-VL-2B success rate from 64.3% to 73.0%. These results demonstrate superior sample efficiency and significantly outperform state-of-the-art methods. The model's generalizability and robustness are further validated by its zero-shot performance in long-horizon real-world navigation settings. All source code will be open-sourced upon publication.

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