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:2603.22800

CATNAV: キャッシュ型視覚言語走破性による効率的なゼロショットロボットナビゲーション

CATNAV: Cached Vision-Language Traversability for Efficient Zero-Shot Robot Navigation

シェア:XThreadsFacebookLINEはてブBluesky

マルチモーダルLLMを用いて、ロボットの身体性を考慮したコストマップをゼロショットで生成し、視覚意味キャッシュによりオンライン推論を85.7%削減するナビゲーションフレームワークを提案。四足ロボットで屋内・屋外の5タスクで高い成功率と制約違反の低減を実証した。

詳しい要約

1. どんなもの?

- ロボットナビゲーションのためのフレームワーク - マルチモーダルLLMを活用 - ゼロショットでembodiment-awareなコストマップを生成 - タスク特化の訓練不要 - 視覚意味論的キャッシュ機構を導入 - シーン新規性を検出し、意味的に類似したフレームのリスク評価を再利用 - オンラインVLMクエリを85.7%削減 - VLMベースの軌道選択モジュールを導入 - 視覚的推論を通じて提案を評価し、行動制約下で最も安全な経路を選択 - 四足歩行ロボットで屋内・屋外の非構造環境を評価

2. 先行研究と比べてどこがすごい?

- 従来のvision-language-actionベースラインと比較 - 5つのナビゲーションタスクで平均目標到達率が10ポイント高い - 行動制約違反が33%少ない - ゼロショットでembodiment-awareなコストマップを生成 - タスク特化の訓練が不要 - 視覚意味論的キャッシュによりオンラインVLMクエリを大幅削減 - 効率性が向上

3. 技術・手法の肝は?

- マルチモーダルLLMを活用したコスト認識型トラバーサビリティナビゲーション - ゼロショットでembodiment-awareなコストマップを生成 - 視覚意味論的キャッシュ機構 - シーン新規性を検出し、意味的に類似したフレームのリスク評価を再利用 - オンラインVLMクエリを85.7%削減 - VLMベースの軌道選択モジュール - 視覚的推論を通じて提案を評価し、行動制約下で最も安全な経路を選択

4. どうやって有効だと検証した?

- 四足歩行ロボットを用いて屋内・屋外の非構造環境で評価 - 5つのナビゲーションタスクでstate-of-the-art vision-language-actionベースラインと比較 - 平均目標到達率が10ポイント高い - 行動制約違反が33%少ない

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- state-of-the-art vision-language-actionベースライン - 具体的な論文名は要旨に記載なし - 関連手法: vision-language-action, multimodal LLM, zero-shot 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: Aditya Potnis, Francisco Affonso, Shreya Gummadi, Naveen Kumar Uppalapati, Girish Chowdhary

分類: cs.RO

原文アブストラクト

Navigating unstructured environments requires assessing traversal risk relative to a robot's physical capabilities, a challenge that varies across embodiments. We present CATNAV, a cost-aware traversability navigation framework that leverages multimodal LLMs for zero-shot, embodiment-aware costmap generation without task-specific training. We introduce a visuosemantic caching mechanism that detects scene novelty and reuses prior risk assessments for semantically similar frames, reducing online VLM queries by 85.7%. Furthermore, we introduce a VLM-based trajectory selection module that evaluates proposals through visual reasoning to choose the safest path given behavioral constraints. We evaluate CATNAV on a quadruped robot across indoor and outdoor unstructured environments, comparing against state-of-the-art vision-language-action baselines. Across five navigation tasks, CATNAV achieves 10 percentage point higher average goal-reaching rate and 33% fewer behavioral constraint violations.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI