Uni-LaViRA: 言語・視覚・ロボット行動の翻訳による統合具現化ナビゲーション

- 実世界の未知環境をロボットが言語と視覚から空間行動列へ変換する Embodied Navigation の統一手法。 - Uni-LaViRA は Language-Vision-Robot Actions Translation という単一構造に着目。 - 言語行動は意味的方向コマンド、視覚行動はピクセル目標を出力。 - 両出力は pretrained MLLMs の自然な出力多様体上にあり、ロボットデータ学習なしで推論可能。 - VLN-CE、ObjectNav、EQA、Aerial-VLN の4タスク群と、Wheeled、Quadruped、Humanoid、自作 UAV の4実機に zero-shot で適用。

- 従来は VLA foundation models を大規模ロボット軌跡でスケールするのが主流。 - 本論文はナビゲーションでは汎用性をデータ規模でなく構造的に得られると主張。 - 数百万サンプルと数千 GPU 時間を消費する最近の training navigation foundation models に匹敵または上回る性能を zero training で達成。 - 単一アーキテクチャで4タスク群・4実機にまたがる統一性が特徴。

- ナビゲーションの意思決定を Language-Vision-Robot Actions Translation に還元。 - pretrained MLLMs の自然な出力として言語方向コマンドと視覚ピクセル目標を生成。 - TODO List Memory (TDM): 各ステップで未完了サブゴールの構造化チェックリストを書き換え、直近の attention window に再入力。 - Second Chance Backtrack (SCB): エラー前状態へロボットを戻し、失敗サブ軌跡を条件に次計画を立案。 - 単一パスナビゲーションを自己修正プロセスへ変換。

- zero-shot で複数ベンチマークを評価。 - VLN-CE R2R で 60.7% SR、VLN-CE RxR で 51.3%。 - HM3D-v2 で 77.7%、HM3D-OVON で 60.0%。 - MP3D-EQA で 54.7%、OpenUAV で 40.0%。 - 4種の異種実ロボット（Wheeled、Quadruped、Humanoid、自作 UAV）で検証。

- ナビゲーションの汎用性はデータ規模だけでなく構造から得られるという主張。 - TDM と SCB が統一を実用的にする agent-loop 機構として議論。 - zero training で training navigation foundation models に匹敵/超過する点を強調。 - 限界や失敗事例、計算コスト、MLLM 依存性などの詳細は要旨からは不明。

- 要旨で参照/比較されている training navigation foundation models や VLA foundation models の代表研究。 - VLN-CE、ObjectNav、EQA、Aerial-VLN の各ベンチマーク論文。 - MLLMs をナビゲーションに応用した zero-shot 手法。 - TODO List Memory や Second Chance Backtrack に関連する agent-loop、self-correction、backtracking 研究。