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:2606.18112

Qwen-RobotNav 技術報告:エージェント型ナビゲーションシステム向けのスケーラブルなナビゲーションモデル

Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System

シェア:XThreadsFacebookLINEはてブBluesky

本論文は、推論時に外部から観測戦略を再構成可能なパラメータ化インターフェースを持つスケーラブルなナビゲーションモデルQwen-RobotNavを提案し、複数のタスクモードと観測パラメータを導入して、指示追従や物体探索などの多様なナビゲーション行動を単一モデルで実現する。

詳しい要約

1. どんなもの?

- Qwen-RobotNavは、agentic navigation system向けに設計されたscalableなnavigation model。 - 推論時にobservation strategyを外部から再設定可能なparameterised interfaceを持つ。 - 複数のtask modeと、token budgetやper-camera weightsなどのcontrollable observation parametersを備える。 - 15.6Mサンプルで訓練され、主要なnavigation benchmarksでstate-of-the-artを達成。 - 2Bから8Bへのscalingと、実世界ロボットへのzero-shot generalisationを示す。

2. 先行研究と比べてどこがすごい?

- 従来のnavigation modelはobservation strategyが固定され、推論時の再設定が困難だった。 - Qwen-RobotNavはparameterised interfaceにより、architecture変更なしで任意の推論時設定に頑健。 - trajectory-only trainingで見られるreactive action-sequence mapperへの崩壊を、vision-language dataとのco-trainingで防止。 - 主要benchmarksで新たなstate-of-the-artを樹立。 - 2Bから8Bへの好ましいscalingと、multi-task trainingによるshared spatial-planning substrateの転移を示す。

3. 技術・手法の肝は?

- Qwen-RobotNav backbone上に、task mode選択とobservation parameter制御の2次元parameterised interfaceを構築。 - 訓練時に全パラメータをrandomizationし、推論時の任意設定へのrobustnessを獲得。 - 15.6Mサンプルで訓練し、vision-language dataとのco-trainingを実施。 - agentic systemでは、upper-level plannerがgoalをsub-taskに分解し、episode途中でtask modeとcontext strategyを動的に切替。 - 同一モデルへの繰り返し呼び出しで複雑なbehaviorを構成。

4. どうやって有効だと検証した?

- 主要なnavigation benchmarksで広範な実験を実施し、state-of-the-artを達成。 - 2Bから8Bへのscalingを評価し、好ましいscalingを確認。 - joint multi-task trainingがshared spatial-planning substrateを形成し、task family間で転移することを示す。 - 多様な環境の実世界ロボットへのstrong zero-shot generalisationを実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- Qwen-RobotNav backbone(原論文で参照) - vision-language dataを用いたco-training(関連手法) - agentic navigation systemにおけるupper-level planner(関連手法) - 同分野の定番として、Vision-Language Navigation (VLN) benchmarksやObjectNav、Instruction Following、Target Tracking、Autonomous Drivingの関連研究。

※ 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: Jiazhao Zhang, Gengze Zhou, Hale Yin, Yiyang Huang, Zixing Lei, Qihang Peng, Haoqi Yuan, Jie Zhang, Xudong Guo, Xiaoyue Chen, An Yang, Fei Huang, Zhibo Yang, Junyang Lin, Dayiheng Liu, Jingren Zhou, Zhuoyuan Yu, Jingyang Fan, Zhixuan Liang, Pei Lin, Ye Wang, Haoyang Li, Anzhe Chen, Kun Yan, Xiao Xu, Jiahao Li, Lulu Hu, Minying Zhang, Shurui Li, Wenhu Xiao, Shuai Bai, Xuancheng Ren, Chenxu Lv, Chenfei Wu, Xiong-Hui Chen

分類: cs.RO, cs.CV

原文アブストラクト

Agentic navigation systems require a base navigation model whose observation strategy can be externally reconfigured at inference time, because instruction following, object search, target tracking, and autonomous driving share the same perception-planning backbone yet demand fundamentally different strategies for consuming the visual stream. We present Qwen-RobotNav, a scalable navigation model built on Qwen-RobotNav that addresses it through a parameterised interface with two complementary dimensions: multiple task modes that select the navigation behaviour, and controllable observation parameters (e.g., token budget, per-camera weights) that govern how visual history is encoded. With training-time randomization over all parameters, Qwen-RobotNav is robust to any inference-time configuration requiring zero architectural modification to the Qwen-RobotNav backbone. We train Qwen-RobotNav on 15.6M samples; co-training with vision-language data prevents the collapse into reactive action-sequence mappers observed in trajectory-only training. The parameterised interface also makes Qwen-RobotNav a natural building block for agentic systems: for long-horizon scenarios, an upper-level planner decomposes goals into sub-tasks and dynamically switches Qwen-RobotNav's task mode and context strategy mid-episode, composing complex behaviours from repeated calls to the same model. Extensive experiments show that Qwen-RobotNav sets new state-of-the-art results across major navigation benchmarks. The model exhibits favourable scaling from 2B to 8B parameters, with joint multi-task training developing a shared spatial-planning substrate that transfers across task families, and demonstrates strong zero-shot generalisation to real-world robots across diverse environments.

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