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:2606.25497

SAGE-Nav: LLM計画とアライメント融合を活用した階層的シーングラフ誘導ナビゲーション

SAGE-Nav: Leveraging LLM Planning and Alignment Fusion for Hierarchical Scene Graph-Guided Navigation

シェア:XThreadsFacebookLINEはてブBluesky

LLMによる大域計画と階層的シーングラフ符号化、目標認識アライメント融合ネットワークを組み合わせ、物体目標ナビゲーションの性能と汎化性を向上させた。

詳しい要約

1. どんなもの?

- Object-Goal Navigation (ObjNav) を対象とした階層型フレームワーク SAGE-Nav を提案。 - LLM を global planner として用い、抽象的な指示を意味的に接地された waypoint 列に分解。 - 非同期に global semantic planning と高頻度の reactive control loop を分離。 - Hierarchical Scene Graph Encoder (HSGE) と Goal-aware Alignment-Fusion Network (GAFN) を組み合わせ、動的 scene graph を活用。 - i-THOR と RoboTHOR で評価し、state-of-the-art 性能を達成。

2. 先行研究と比べてどこがすごい?

- 既存の monolithic 手法は long-horizon reasoning が苦手で、新規環境への汎化性能が低い。 - SAGE-Nav は LLM の推論能力と動的 scene graph を統合し、これらの限界を克服。 - 非同期階層設計により、global planning と reactive control を分離し、物理ロボット展開に必要な低制御遅延を維持。 - ナビゲーション効率と zero-shot 汎化で大幅な改善を実現。

3. 技術・手法の肝は?

- LLM を global planner として使用し、抽象指示を意味的に接地された waypoint 列に分解。 - Hierarchical Scene Graph Encoder (HSGE) が relational graph convolutions を用いて、意味と空間トポロジーを保持する構造認識埋め込みを生成。 - Goal-aware Alignment-Fusion Network (GAFN) がリアルタイム知覚と構造的 prior を動的に融合。 - GAFN は適応的 gating 機構と明示的 inductive bias を備え、視覚-トポロジー alignment を堅牢化。 - これにより低レベル policy への密なマルチモーダル guidance を実現。

4. どうやって有効だと検証した?

- i-THOR と RoboTHOR 環境で広範な評価を実施。 - SAGE-Nav が state-of-the-art 性能を達成し、ナビゲーション効率と zero-shot 汎化で大幅な向上を確認。 - 物理ロボット展開に必要な低制御遅延を維持できることも検証。

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は明示されていない。 - 同分野の定番として Object-Goal Navigation (ObjNav) や Large Language Models (LLMs) を用いたナビゲーション、Scene Graph を活用した手法が挙げられる。

※ 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: Hao Su, Yuehao Huang, Yukai Ma, Yong Liu, Jiajun Lv

分類: cs.RO

原文アブストラクト

Object-Goal Navigation (ObjNav) requires embodied agents to autonomously locate specified targets using only egocentric visual observations. Existing monolithic methods struggle with long-horizon reasoning and generalize poorly to novel environments. To address these limitations, we propose SAGE-Nav, a novel hierarchical framework that integrates the reasoning capabilities of Large Language Models (LLMs) with dynamic scene graphs. Crucially, it decouples asynchronous global semantic planning from the high-frequency reactive control loop. The LLM serves as a global planner, decomposing abstract instructions into a sequence of semantically grounded waypoints. To translate these plans into dense multi-modal guidance, we design a Hierarchical Scene Graph Encoder (HSGE) that leverages relational graph convolutions to produce structure-aware embeddings preserving both semantic and spatial topology. Furthermore, we develop the Goal-aware Alignment-Fusion Network (GAFN) to dynamically fuse real-time perception with these structural priors. Using an adaptive gating mechanism with an explicit inductive bias, GAFN ensures robust visual-topological alignment for the low-level policy. Extensive evaluations in the i-THOR and RoboTHOR environments demonstrate that SAGE-Nav achieves state-of-the-art performance, delivering substantial gains in navigation efficiency and zero-shot generalization while maintaining the low control latency required for physical robotic deployment.

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