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:2604.26946

スリーステップナビ:ゼロショット視覚言語ナビゲーションのための階層的グローバル・ローカルプランナー

Three-Step Nav: A Hierarchical Global-Local Planner for Zero-Shot Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

マルチモーダル大規模言語モデルを用いたゼロショット視覚言語ナビゲーションの成功率を向上させるため、前方・現在・後方の3視点で計画する手法を提案した。

詳しい要約

1. どんなもの?

- MLLMを用いたzero-shot Vision-and-Language Navigation (VLN) のための階層的global-local planner。 - 三つの視点プロトコルで構成: 1) look forwardでglobal landmarksを抽出し粗い計画、2) look nowで現在の視覚観測を次のsub-goalに整合させ細粒度ガイダンス、3) look backwardで軌跡全体を監査し蓄積ドリフトを停止前に修正。 - gradient更新やタスク特異的fine-tuningを必要とせず、既存VLNパイプラインに最小オーバーヘッドで組み込める。

2. 先行研究と比べてどこがすごい?

- 従来のMLLMベースzero-shot VLNエージェントは、コース逸脱、早期停止、低い成功率に陥りやすい。 - Three-Step Navは三視点プロトコルでこれらの失敗に対抗し、R2R-CEとRxR-CEでstate-of-the-art zero-shot性能を達成。 - 追加学習なしで既存パイプラインに導入可能な点が実用的優位。

3. 技術・手法の肝は?

- 三視点プロトコル: look forwardでglobal landmarks抽出と粗計画、look nowで現在観測と次sub-goalの整合による細粒度ガイダンス、look backwardで軌跡全体を監査しドリフト修正。 - 階層的global-local plannerとして、粗い計画と局所的な整合を組み合わせる。 - gradient更新やタスク特異的fine-tuningを不要とし、既存VLNパイプラインに最小オーバーヘッドで統合。

4. どうやって有効だと検証した?

- R2R-CEおよびRxR-CEデータセット上で評価。 - zero-shot設定でstate-of-the-art性能を達成したと報告。 - コードはhttps://github.com/ZoeyZheng0/3-step-Navで公開。

5. 議論はある?

- 要旨からは不明。 - 想定される議論点: 三視点プロトコルの計算コスト、MLLMの視覚推論誤差への依存、他データセットへの汎化、早期停止やドリフト修正の失敗事例。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、MLLMベースのzero-shot VLNエージェント、R2R-CE、RxR-CE、Vision-and-Language Navigation (VLN) の定番ベンチマークを挙げる。

※ 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: Wanrong Zheng, Yunhao Ge, Laurent Itti

分類: cs.CV, cs.RO

原文アブストラクト

Breakthrough progress in vision-based navigation through unknown environments has been achieved by using multimodal large language models (MLLMs). These models can plan a sequence of motions by evaluating the current view at each time step against the task and goal given to the agent. However, current zero-shot Vision-and-Language Navigation (VLN) agents powered by MLLMs still tend to drift off course, halt prematurely, and achieve low overall success rates. We propose Three-Step Nav to counteract these failures with a three-view protocol: First, "look forward" to extract global landmarks and sketch a coarse plan. Then, "look now" to align the current visual observation with the next sub-goal for fine-grained guidance. Finally, "look backward" audits the entire trajectory to correct accumulated drift before stopping. Requiring no gradient updates or task-specific fine-tuning, our planner drops into existing VLN pipelines with minimal overhead. Three-Step Nav achieves state-of-the-art zero-shot performance on the R2R-CE and RxR-CE dataset. Our code is available at https://github.com/ZoeyZheng0/3-step-Nav.

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

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