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:2606.25206

RAVEN: 視覚・空間・時間メモリによる長期的推論とナビゲーション

RAVEN: Long-Horizon Reasoning & Navigation with a Visuo-Spatio-Temporal Memory

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの長期運用向けに、視覚特徴と位置・時刻をベクトルDBに保存し、空間マップで検索するメモリシステムRAVENを提案。画像を直接扱うことで高精度かつ低コストな長期QA・ナビゲーションを実現し、実機でも検証した。

詳しい要約

1. どんなもの?

- 長期的なロボット運用のための記憶システム - 視覚埋め込みをposeとtimeと共にvector databaseに保存 - 空間mapに基づくretrievalで質問応答とナビゲーションを実現 - 画像からテキストへのキャプションを介さず、視覚埋め込みを直接操作 - 大規模な意味・空間・時間的retrievalを可能にする - シミュレーションと実世界のvideo question-answeringベンチマークで評価 - Unitree Go1ロボットに実装し、長期的なナビゲーションを実証

2. 先行研究と比べてどこがすごい?

- キャプションベースの記憶システムを一貫して上回る - 長期的タスクにおいてfrontier VLMsに匹敵する性能を、10倍低いretrievalコストで達成 - 画像からテキストへのキャプションによる情報損失を回避 - スケーラブルでコンパクトな記憶を実現 - 意味・空間・時間的retrievalを高精度で実行

3. 技術・手法の肝は?

- 視覚埋め込みをposeとtimeと共にvector databaseに保存 - retrievalを空間mapに基づいて行う - 視覚埋め込みを直接操作することで、キャプションを介さない - これにより、損失のない意味・空間・時間的retrievalを実現 - 効率的な保存とretrievalを可能にするagentic memory system

4. どうやって有効だと検証した?

- 複数のシミュレーションおよび実世界のvideo question-answeringベンチマークで評価 - キャプションベースの記憶システムと比較し、一貫して上回ることを確認 - frontier VLMsと比較し、10倍低いretrievalコストで匹敵する性能を確認 - Unitree Go1ロボットに実装し、複数の大規模屋内環境で長期的なナビゲーションを成功裏に展開

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: caption-based memory systems, frontier VLMs - 関連手法: vector database, spatial map, visual embeddings, Unitree Go1

※ 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: Yixun Hu, Zhicheng Zheng, Lihan Zha, Chunwei Xing, Rajdeep Singh, Omar Hossain, Antonio Loquercio, Dhruv Shah

分類: cs.RO, cs.AI, cs.CL

原文アブストラクト

Long-term robot deployment requires a compact and scalable memory that preserves fine-grained visual semantics, grounds observations in space and time, and enables efficient storage and retrieval. In this paper, we propose RAVEN, an agentic memory system for long-horizon robotic question answering and navigation. RAVEN stores visual embeddings with pose and time in a vector database, and grounds retrieval in a spatial map to answer queries and navigate to goals. By operating directly on visual embeddings, RAVEN avoids lossy image-to-text captioning and enables accurate semantic, spatial, and temporal retrieval at scale. Across several simulated and real-world video question-answering benchmarks, RAVEN consistently surpasses caption-based memory systems and matches frontier VLMs on long-horizon tasks at 10$\times$ lower retrieval cost. Finally, we instantiate RAVEN on a Unitree Go1 robot for the task of long-horizon navigation for natural language goal-reaching, and show successful deployment over several large indoor 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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI