日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2605.16899

LASAR: 潜在認知マップによる時空間推論の実現

LASAR: Towards Spatio-temporal Reasoning with Latent Cognitive Map

シェア:XThreadsFacebookLINEはてブBluesky

エージェントが空間構造の内部モデルを獲得するよう促すため、二重記憶システムと対照学習を導入し、VLN-CEやVSI-Benchで性能を向上させた。

詳しい要約

1. どんなもの?

- 本論文は、embodied AI における空間構造の内部モデル構築を検証するための新しいアーキテクチャ LASAR を提案する。 - LASAR は、episodic experiences と semantic cognitive map を維持する dual-memory system を特徴とする。 - さらに、Spatio-temporal Contextual Representation Learning (ST-CRL) という contrastive objective を導入し、このアーキテクチャを訓練する。 - 実験では、VLN-CE と VSI-Bench ベンチマークにおいて zero-shot generalization で 2%-3.5% の性能向上を達成し、cognitive map の高い self-consistency も示した。

2. 先行研究と比べてどこがすごい?

- 先行研究では、action-centric tasks (例: VLN) や reasoning-centric tasks (例: EQA) に基づくアプローチが、長距離で断片的な経験から細粒度の空間関係 (topology や distance など) を強制的にエンコードする学習信号を欠いているという共通の限界があった。 - 本研究は、この限界に対処するために dual-memory system と ST-CRL を提案し、内部 cognitive map の形成を促進する点で先行研究と異なる。 - 具体的な性能向上として、VLN-CE と VSI-Bench で zero-shot generalization が 2%-3.5% 改善された点が挙げられる。

3. 技術・手法の肝は?

- LASAR の肝は、episodic experiences と semantic cognitive map を維持する dual-memory system である。 - ST-CRL は、シミュレーション内の annotated spatio-temporal context から生成された cognitive queries の spatio-temporal cues を活用し、サンプルペアを構築する contrastive objective である。 - これにより、エージェントの経験から内部 cognitive map を形成する。

4. どうやって有効だと検証した?

- 実験では、標準的な VLN-CE と VSI-Bench ベンチマークを用いて zero-shot generalization を評価し、2%-3.5% の性能向上を確認した。 - また、提案された cognitive map の self-consistency が高いことを示した。

5. 議論はある?

- 要旨からは、具体的な議論や限界についての言及は不明である。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究として、action-centric tasks の例である VLN (Vision-and-Language Navigation) と reasoning-centric tasks の例である EQA (Embodied Question Answering) が挙げられる。 - また、評価に用いられたベンチマークである VLN-CE と VSI-Bench も関連する。 - これらの論文やベンチマークを次に読むべき候補として挙げる。

※ 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: Jinzhou Tang, Sidi Liu, Waikit Xiu, Weixing Chen, Keze Wang

分類: cs.CV

原文アブストラクト

A fundamental challenge in embodied AI is verifying if agents build internal models of spatial structure or merely learn to mimic task-specific expert trajectories. This is critical as foundational approaches rooted in action-centric tasks (e.g., VLN) and reasoning-centric tasks (e.g., EQA) often share a common limitation: they lack a learning signal that forces them to encode fine-grained spatial relationships (like topology or distance) over long-range, fragmented experiences. To address this, we first propose LASAR, an architecture featuring a dual-memory system designed to maintain both episodic experiences and a semantic cognitive map. We then introduce Spatio-temporal Contextual Representation Learning (ST-CRL), a contrastive objective designed to train this architecture. ST-CRL leverages spatio-temporal cues from cognitive queries generated through annotated spatio-temporal context in simulation to build sample pairs, thereby forming the internal cognitive map from the agent's experiences. Experiments demonstrate that our method achieves 2\%-3.5\% gains in both zero-shot generalization on standard VLN-CE and VSI-Bench benchmarks. We also demonstrate that our proposed cognitive map has high self-consistency.

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