SpaceVLN: オンライン空間認知記憶と推論を備えたゼロショット視覚言語ナビゲーションエージェント

- 連続環境での Vision-and-Language Navigation (VLN) を対象とした zero-shot ナビゲーションエージェント SpaceVLN を提案。 - Spatial Cognitive Memory と Task-Guided Spatial Reasoning を中核に据える。 - 計画と実行を検証可能な space--landmark ステージで構成する段階的閉ループ枠組み。 - VLN と Object-Goal Navigation を unified zero-shot 設定で扱う。

- 多くの foundation model ベース zero-shot ナビゲータは局所視覚手がかりと線形履歴推論に依存。 - 探索領域・経路・landmark とその空間関係というナビゲーションの空間的性質を軽視していた。 - SpaceVLN は Spatial Cognitive Memory と Task-Guided Spatial Reasoning でこれを補う。 - タスク固有の policy training なしで R2R-CE, RxR-CE, GN-Bench, HM3D-OVON で state-of-the-art zero-shot 性能を達成。

- 計画と実行を verifiable space--landmark stages で組織する段階的閉ループフレームワーク。 - 探索領域を Spatial Waypoints に漸進的に抽象化。 - subtask-grounded landmark evidence を動的に維持。 - これらで階層的 Spatial Cognitive Memory を形成し、進捗定位と空間関係理解に用いる。 - Spatial-CoT が task-progress reasoning と spatial perception, analysis, prediction を統合。 - 統一ステージインタフェースで VLN と Object-Goal Navigation に対応。

- R2R-CE, RxR-CE, GN-Bench, HM3D-OVON で評価。 - state-of-the-art zero-shot 性能を達成したと報告。 - real-robot deployment により適用可能性を検証。 - 具体的な指標値や実験設定の詳細は要旨からは不明。

- Spatial Cognitive Memory と Task-Guided Spatial Reasoning が embodied navigation agent の実用的基盤になると主張。 - 限界や失敗事例、計算コスト、スケーラビリティに関する議論は要旨からは不明。 - real-robot deployment の詳細な条件や課題は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として foundation model ベースの zero-shot navigation、Vision-and-Language Navigation、Object-Goal Navigation を挙げる。 - ベンチマークとして R2R-CE, RxR-CE, GN-Bench, HM3D-OVON を参照。 - 具体的な次読論文は要旨からは不明。