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:2603.09113

PM-Nav: 事前地図誘導による機能建築物内の具現化ナビゲーション

PM-Nav: Priori-Map Guided Embodied Navigation in Functional Buildings

シェア:XThreadsFacebookLINEはてブBluesky

機能建築物内での言語駆動ナビゲーションの課題に対し、環境地図をナビゲーション用の意味的事前地図に変換し、階層的思考連鎖プロンプトとマルチモデル協調行動出力機構を用いて経路計画と実行制御を行うPM-Navを提案した。

詳しい要約

1. どんなもの?

- 機能的な建物(Functional Buildings, FBs)における言語駆動型のembodied navigationを対象とした手法。 - 環境地図をナビゲーションに適したsemantic priori-mapに変換し、階層的chain-of-thoughtプロンプトテンプレートとannotation priori-mapを設計。 - マルチモデル協調行動出力機構により、位置決め決定と実行制御を実現。 - 自家製のFBデータセットで評価し、SG-NavやInstructNavを大幅に上回る性能を達成。

2. 先行研究と比べてどこがすごい?

- 既存の言語駆動型embodied navigationは、機能的建物(FBs)のように類似特徴が多い環境で、事前空間知識を効果的に活用できない問題があった。 - 提案手法PM-Navは、priori-mapを活用することでこの問題に対処し、シミュレーションと実世界の両方でSG-NavおよびInstructNavに対して大幅な性能向上を実現。 - 具体的には、シミュレーションでSG-Nav比511%、InstructNav比1175%、実世界でSG-Nav比650%、InstructNav比400%の平均改善を達成。

3. 技術・手法の肝は?

- 環境地図をナビゲーションに適したsemantic priori-mapに変換する。 - 階層的chain-of-thoughtプロンプトテンプレートとannotation priori-mapを設計し、精密な経路計画を可能にする。 - マルチモデル協調行動出力機構を構築し、ナビゲーション計画のための位置決め決定と実行制御を実現する。

4. どうやって有効だと検証した?

- 自家製のFBデータセットを用いた包括的なテストを実施。 - シミュレーションと実世界の両方で評価し、SG-NavおよびInstructNavと比較。 - 平均改善率がシミュレーションで511%と1175%、実世界で650%と400%であることを示した。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- SG-Nav - InstructNav

※ 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: Jiang Gao, Xiangyu Dong, Haozhou Li, Haoran Zhao, Yaoming Zhou, Xiaoguang Ma

分類: cs.RO, cs.AI

原文アブストラクト

Existing language-driven embodied navigation paradigms face challenges in functional buildings (FBs) with highly similar features, as they lack the ability to effectively utilize priori spatial knowledge. To tackle this issue, we propose a Priori-Map Guided Embodied Navigation (PM-Nav), wherein environmental maps are transformed into navigation-friendly semantic priori-maps, a hierarchical chain-of-thought prompt template with an annotation priori-map is designed to enable precise path planning, and a multi-model collaborative action output mechanism is built to accomplish positioning decisions and execution control for navigation planning. Comprehensive tests using a home-made FB dataset show that the PM-Nav obtains average improvements of 511\% and 1175\%, and 650\% and 400\% over the SG-Nav and the InstructNav in simulation and real-world, respectively. These tremendous boosts elucidate the great potential of using the PM-Nav as a backbone navigation framework for FBs.

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