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:2603.26837

SpatialAnt: 能動的なシーン再構築と視覚的予測による自律ゼロショットロボットナビゲーション

SpatialAnt: Autonomous Zero-Shot Robot Navigation via Active Scene Reconstruction and Visual Anticipation

シェア:XThreadsFacebookLINEはてブBluesky

ロボットが未知環境を事前探索して自己構築した不完全な3D再構築を用いて、ゼロショットで言語指示によるナビゲーションを実現するフレームワークを提案した。物理的接地によるスケール回復と視覚的予測による経路の反実仮想推論で性能を向上させた。

詳しい要約

1. どんなもの?

- Vision-and-Language Navigation (VLN) の zero-shot ナビゲーション手法 SpatialAnt を提案。 - Multimodal Large Language Models (MLLMs) を活用し、未知環境でロボットが自ら事前探索して再構築した不完全でノイズの多いシーン表現でも頑健に動作することを目指す。 - 単眼再構築の絶対スケール回復と、ノイズを含む点群からの未来観測レンダリングによる視覚的先読み機構を特徴とする。

2. 先行研究と比べてどこがすごい?

- 従来の exploration-based zero-shot 手法は高品質な人手作成のシーン再構築に依存しており、実ロボット展開が非現実的だった。 - 自己構築した再構築は不完全・ノイズが多いため、高品質再構築に依存する手法は性能が大幅に劣化する。 - SpatialAnt は不完全な自己再構築とロバストな実行のギャップを埋め、既存 zero-shot 手法を大幅に上回る。

3. 技術・手法の肝は?

- 物理的グラウンディング戦略により、単眼ベース再構築の絶対メートルスケールを回復。 - ノイズを含む自己再構築シーンを絶対的な空間参照として扱わず、新規の視覚的先読み (visual anticipation) 機構を導入。 - この機構はノイズ点群を用いて未来の観測をレンダリングし、エージェントが反事実的推論 (counterfactual reasoning) を行い、人間の指示に矛盾する経路を枝刈りする。

4. どうやって有効だと検証した?

- シミュレーションと実世界環境の両方で広範な実験を実施。 - R2R-CE ベンチマークで 66% の Success Rate (SR)、RxR-CE で 50.8% SR を達成。 - Hello Robot への物理展開で、困難な実世界設定において 52% SR を達成し、効率と有効性を確認。

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: exploration-based zero-shot 手法、Multimodal Large Language Models (MLLMs) を用いた VLN 手法。 - 関連手法: R2R-CE、RxR-CE ベンチマーク、Hello Robot プラットフォーム。 - 同分野の定番: Vision-and-Language Navigation (VLN) の zero-shot ナビゲーション研究。

※ 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: Jiwen Zhang, Xiangyu Shi, Siyuan Wang, Zerui Li, Zhongyu Wei, Qi Wu

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Vision-and-Language Navigation (VLN) has recently benefited from Multimodal Large Language Models (MLLMs), enabling zero-shot navigation. While recent exploration-based zero-shot methods have shown promising results by leveraging global scene priors, they rely on high-quality human-crafted scene reconstructions, which are impractical for real-world robot deployment. When encountering an unseen environment, a robot should build its own priors through pre-exploration. However, these self-built reconstructions are inevitably incomplete and noisy, which severely degrade methods that depend on high-quality scene reconstructions. To address these issues, we propose SpatialAnt, a zero-shot navigation framework designed to bridge the gap between imperfect self-reconstructions and robust execution. SpatialAnt introduces a physical grounding strategy to recover the absolute metric scale for monocular-based reconstructions. Furthermore, rather than treating the noisy self-reconstructed scenes as absolute spatial references, we propose a novel visual anticipation mechanism. This mechanism leverages the noisy point clouds to render future observations, enabling the agent to perform counterfactual reasoning and prune paths that contradict human instructions. Extensive experiments in both simulated and real-world environments demonstrate that SpatialAnt significantly outperforms existing zero-shot methods. We achieve a 66% Success Rate (SR) on R2R-CE and 50.8% SR on RxR-CE benchmarks. Physical deployment on a Hello Robot further confirms the efficiency and efficacy of our framework, achieving a 52% SR in challenging real-world settings.

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