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:2603.13833

ImagiNav: 生成的視覚予測と逆動力学によるスケーラブルな身体化ナビゲーション

ImagiNav: Scalable Embodied Navigation via Generative Visual Prediction and Inverse Dynamics

シェア:XThreadsFacebookLINEはてブBluesky

ロボットのナビゲーションを、言語指示を視覚的なサブゴールに分解し、生成ビデオモデルで未来の軌道を想像し、逆動力学モデルで軌道を抽出するというモジュール方式で実現。ロボットデータなしでゼロショット転移を達成する。

詳しい要約

1. どんなもの?

- 自然言語指示に基づくロボットの open-world navigation を可能にする手法 ImagiNav を提案。 - 視覚計画とロボット actuation を分離する modular paradigm。 - 階層構造: VLM が指示を textual subgoals に分解、finetuned generative video model が subgoal への future video trajectory を想像、inverse dynamics model が想像 video から trajectory を抽出、low-level controller で追従。 - in-the-wild navigation videos を直接活用可能。

2. 先行研究と比べてどこがすごい?

- 従来の Vision-Language Navigation は高コストで embodiment-specific な robot data で訓練された end-to-end policies に依存。 - 大規模 simulation data で訓練された foundation models も scene diversity と visual fidelity の限界から scaling と generalization が課題。 - ImagiNav は robot demonstrations 不要で zero-shot transfer を実現し、多様な in-the-wild videos を直接利用可能。

3. 技術・手法の肝は?

- 階層的 modular 設計: VLM による指示分解、generative video model による future video trajectory の想像、inverse dynamics model による trajectory 抽出、low-level controller による追従。 - in-the-wild navigation videos を inverse dynamics と pretrained VLM で自動ラベル付けする scalable data pipeline を開発。 - 視覚計画と actuation を分離することで embodiment 非依存の学習を可能に。

4. どうやって有効だと検証した?

- robot demonstrations なしで robot navigation への strong zero-shot transfer を実証。 - 具体的な評価指標やデータセットは要旨からは不明。

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: Vision-Language Navigation の end-to-end policies、simulation data で訓練された foundation models。 - 関連手法: Vision-Language Model、generative video model、inverse dynamics model。 - 同分野の定番: Vision-Language Navigation (VLN)、Embodied Navigation。

※ 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: Jie Chen, Yuxin Cai, Yizhuo Wang, Ruofei Bai, Yuhong Cao, Jun Li, Yau Wei Yun, Guillaume Sartoretti

分類: cs.RO

原文アブストラクト

Enabling robots to navigate open-world environments via natural language is critical for general-purpose autonomy. Yet, Vision-Language Navigation has relied on end-to-end policies trained on expensive, embodiment-specific robot data. While recent foundation models trained on vast simulation data show promise, the challenge of scaling and generalizing due to the limited scene diversity and visual fidelity in simulation persists. To address this gap, we propose ImagiNav, a novel modular paradigm that decouples visual planning from robot actuation, enabling the direct utilization of diverse in-the-wild navigation videos. Our framework operates as a hierarchy: a Vision-Language Model first decomposes instructions into textual subgoals; a finetuned generative video model then imagines the future video trajectory towards that subgoal; finally, an inverse dynamics model extracts the trajectory from the imagined video, which can then be tracked via a low-level controller. We additionally develop a scalable data pipeline of in-the-wild navigation videos auto-labeled via inverse dynamics and a pretrained Vision-Language Model. ImagiNav demonstrates strong zero-shot transfer to robot navigation without requiring robot demonstrations, paving the way for generalist robots that learn navigation directly from unlabeled, open-world data.

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