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:2606.12550

先読み:ナビゲーションに重要な手がかりに関する反復推論

Foresight: Iterative Reasoning About Clues that Matter for Navigation

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済み視覚言語モデルを用いて、疎な言語指示からのナビゲーションにおいて、環境の手がかりを反復的に提案・批評することで、プラン依存の手がかりを発見し、移動計画を改善するフレームワークを提案した。

詳しい要約

1. どんなもの?

- オープンワールドの地図なしナビゲーションにおいて、疎な言語指示から未指定の目標を解決し、環境手がかりを推論する手法。 - Foresightは、微調整されたVLMが画像空間の動作計画を提案し、言語目標と視覚文脈を用いて批評することを交互に行うテスト時フレームワーク。 - 批評に基づいて後続の計画を条件付け、実行前に反復的に動作を洗練する。 - 人間のフィードバックから報酬モデルを学習し、強化学習でVLMをポストトレーニングする。

2. 先行研究と比べてどこがすごい?

- 先行研究は既知のナビゲーション要因や閉集合のカテゴリに依存し、動作計画前に手がかりを特定するため計画依存の手がかりを見逃す。 - Foresightは事前学習済みVLMを活用し、新しい指示関連の手がかりを発見できる。 - テスト時推論と基盤モデルのベースラインと比較して、平均タスク成功率を37%向上、ミッションあたりの介入を52%削減。 - リアルタイムでJetson AGX Orin上で動作する。

3. 技術・手法の肝は?

- 微調整されたVLMが画像空間の動作計画を提案し、言語目標と視覚文脈を用いて批評する反復ループ。 - 後続の計画は以前の批評に条件付けられ、実行前に動作を反復的に洗練。 - 人間のフィードバックから報酬モデルを学習し、計画批評ループ内で強化学習を用いてVLMをポストトレーニング。 - これにより、オープンセットの行動選好に計画批評と洗練を整合させる。

4. どうやって有効だと検証した?

- オフライン評価と6つの実世界環境で検証。 - 最先端のテスト時推論および基盤モデルのベースラインと比較。 - 平均タスク成功率が37%向上し、ミッションあたりの介入が52%削減。 - Jetson AGX Orin上でリアルタイムに動作することを確認。

5. 議論はある?

- 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:テスト時推論の最先端手法、基盤モデルのベースライン。 - 関連手法:Vision-Language Models (VLM)、強化学習、報酬モデル。 - 同分野の定番:オープンワールドナビゲーション、言語指示ナビゲーション。

※ 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: Arthur Zhang, Carl Qi, Donne Su, Xiangyun Meng, Amy Zhang, Joydeep Biswas

分類: cs.RO, cs.AI

原文アブストラクト

Open-world mapless navigation from sparse language instructions requires resolving underspecified goals and inferring which environmental cues are relevant for reaching the goal. For instance, reaching an out-of-view destination may require interpreting ramps, signs, or detours that reveal where to go or which route to take. Prior works are limited by their reliance on known navigation factors and closed-set factor categories, or identify cues before motion planning and miss plan-dependent cues. We argue that pretrained Vision-Language Models (VLMs) can discover novel instruction-relevant cues, but require adaptation to focus on which cues matter and how they should influence motion planning. We realize these ideas in Foresight, a test-time framework in which a finetuned VLM alternates between proposing image-space motion plans and critiquing them using the language goal and visual context. Subsequent plans are conditioned on prior critiques, enabling iterative motion refinement before execution. To align plan critiques and refinements with open-set behavior preferences, we learn a reward model from human feedback and use it to post-train the VLM with reinforcement learning in the plan-critique loop. In offline evaluations and 6 real-world environments, Foresight improves average task success by 37% and reduces interventions per mission by 52% relative to state-of-the-art test-time reasoning and foundation-model baselines, while running in real-time on a Jetson AGX Orin. We will release code, data, and training details to support future work on test-time reasoning for robot motion refinement. Additional videos at: https://amrl.cs.utexas.edu/foresight

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