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:2604.05351

AnyImageNav: 任意視点の幾何学による精密な最終メートル画像ゴールナビゲーション

AnyImageNav: Any-View Geometry for Precise Last-Meter Image-Goal Navigation

シェア:XThreadsFacebookLINEはてブBluesky

画像ゴールナビゲーションを精密な位置決めが可能な設定に拡張し、ゴール画像を幾何学的クエリとして扱い、密な画素対応による6自由度カメラ姿勢推定を実現する訓練不要のシステムを提案した。

詳しい要約

1. どんなもの?

- 目的: Image Goal Navigation (ImageNav) を精密な last-meter 設定へ拡張する AnyImageNav を提案。 - 特徴: training-free なシステムで、目標画像を幾何クエリとして扱う。 - 対象: 物体・廊下・部屋の角など任意の写真を目標画像として利用可能。 - 出力: 6-DoF カメラ pose を復元し、正確な停止を目指す。

2. 先行研究と比べてどこがすごい?

- 従来の ImageNav は 1m 以内で停止する粗い success 基準で評価され、grasping など精密配置には不十分。 - 提案法は pose recovery を提供し、先行手法には無い位置・姿勢の精度を実現。 - Gibson で position error 0.27m / heading error 3.41度、HM3D で 0.21m / 1.23度。 - 適応ベースライン比で 5-10x の改善。 - navigation success rate も Gibson 93.1%、HM3D 82.6% で state-of-the-art。

3. 技術・手法の肝は?

- 鍵: 目標画像を dense pixel-level correspondences で観測に登録し、正確な 6-DoF camera pose を復元。 - semantic-to-geometric cascade を採用。 - semantic relevance signal が探索を導き、proximity gate として機能。 - 現在の視点が目標画像と highly relevant な時のみ 3D multi-view foundation model を起動。 - model は registration を loop 内で self-certify し、正確な pose を得る。

4. どうやって有効だと検証した?

- Gibson と HM3D で評価。 - navigation success rate: Gibson 93.1%、HM3D 82.6% で state-of-the-art を達成。 - pose recovery: Gibson で position error 0.27m、heading error 3.41度。 - HM3D で position error 0.21m、heading error 1.23度。 - 適応ベースライン比で 5-10x 改善。

5. 議論はある?

- 従来の coarse success 基準 (1m 以内) は物体発見には十分だが、grasping など下流タスクの精密配置には不足。 - 提案法は training-free で任意視点の画像を目標にでき、pose recovery を提供。 - 限界や失敗事例、計算コスト、汎化性に関する議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: 従来の ImageNav、adapted baselines。 - 関連手法: 3D multi-view foundation model、dense pixel-level correspondences、6-DoF camera pose estimation。 - 同分野の定番: Gibson、HM3D データセットを用いた navigation 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: Yijie Deng, Shuaihang Yuan, Yi Fang

分類: cs.RO, cs.CV

原文アブストラクト

Image Goal Navigation (ImageNav) is evaluated by a coarse success criterion, the agent must stop within 1m of the target, which is sufficient for finding objects but falls short for downstream tasks such as grasping that require precise positioning. We introduce AnyImageNav, a training-free system that pushes ImageNav toward this more demanding setting. Our key insight is that the goal image can be treated as a geometric query: any photo of an object, a hallway, or a room corner can be registered to the agent's observations via dense pixel-level correspondences, enabling recovery of the exact 6-DoF camera pose. Our method realizes this through a semantic-to-geometric cascade: a semantic relevance signal guides exploration and acts as a proximity gate, invoking a 3D multi-view foundation model only when the current view is highly relevant to the goal image; the model then self-certifies its registration in a loop for an accurate recovered pose. Our method sets state-of-the-art navigation success rates on Gibson (93.1%) and HM3D (82.6%), and achieves pose recovery that prior methods do not provide: a position error of 0.27m and heading error of 3.41 degrees on Gibson, and 0.21m / 1.23 degrees on HM3D, a 5-10x improvement over adapted baselines.Our project page: https://yijie21.github.io/ain/

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

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