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:2606.29908

空間認識型ワールドアクションモデルによる身体化ナビゲーション

Pondering the Way: Spatial-perceiving World Action Model for Embodied Navigation

シェア:XThreadsFacebookLINEはてブBluesky

視覚ナビゲーションのための世界モデルベースのプランナーを改良し、開始と目標のRGB観測から中間のRGB-Dシーケンスと行動軌跡を同時生成するSWAMを提案。単眼RGB入力のみで高精度なナビゲーションを実現した。

詳しい要約

1. どんなもの?

- 視覚ナビゲーションのための世界モデルベースのプランナー - 従来の検証中心のパラダイムを脱却し、タスク中心の共同観測-行動生成フレームワーク - 開始と目標のRGB観測から、単一パス推論で中間RGB-Dシーケンスと対応する行動軌跡を同時生成 - 訓練時には深度疑似ラベルを活用して空間事前知識を内部化するが、推論時には単眼RGB入力のみを必要とする - 視覚誘導行動洗練モジュールと軌跡スケール正則化損失を導入 - 成功率、軌跡精度、推論効率で最先端の2段階プランナーを大幅に上回り、未見環境へのゼロショット汎化も実証

2. 先行研究と比べてどこがすごい?

- 従来の検証中心のパラダイムは、目標意図と軌跡合成を分離し、候補依存性、計算オーバーヘッド、サンプリング行動と予測視覚の不一致という問題があった - SWAMはタスク中心の共同生成により、目標整合的な軌跡生成と空間的実現可能性を促進 - 単一パス推論で中間RGB-Dシーケンスと行動軌跡を同時生成する点が新しい - 訓練時のみ深度疑似ラベルを使用し、推論時は単眼RGBのみで動作する点が効率的 - 成功率、軌跡精度、推論効率で最先端の2段階プランナーを大幅に上回る

3. 技術・手法の肝は?

- タスク中心の共同観測-行動生成フレームワーク - 開始と目標のRGB観測から単一パス推論で中間RGB-Dシーケンスと行動軌跡を同時生成 - 訓練時に深度疑似ラベルを活用して空間事前知識を内部化 - 推論時は単眼RGB入力のみ - 視覚誘導行動洗練モジュール - 軌跡スケール正則化損失 - これらにより運動と視覚的手がかりの細粒度アラインメントを強制し、距離変動にわたる予測を安定化

4. どうやって有効だと検証した?

- 広範な実験を実施 - 成功率、軌跡精度、推論効率において最先端の2段階プランナーを大幅に上回ることを示した - 未見環境への堅牢なゼロショット汎化を実証 - 具体的なデータセットや評価指標は要旨からは不明

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や関連手法は明示されていない - 同分野の定番として、visual navigation、world model-based planner、two-stage planner に関する論文が挙げられる

※ 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: Hong Chen, Daqi Liu, Zehan Zhang, Haiguang Wang, Tianhao Lu, Longfei Yan, Haiyang Sun, Fangzhen Li, Hongwei Xie, Bing Wang, Guang Chen, Hangjun Ye, Yihua Tan

分類: cs.RO, cs.AI

原文アブストラクト

Existing world model-based planners for visual navigation typically follow a verification-centric paradigm, decoupling goal intent from trajectory synthesis. This approach suffers from candidate dependence, heavy computational overhead, and inconsistencies between sampled actions and predicted visuals. To address these issues, we propose SWAM (Spatial-perceiving World Action Model), a task-centric joint observation-action generation framework. Given start and goal RGB observations, SWAM performs single-pass inference to simultaneously generate intermediate RGB-D sequences and corresponding action trajectories, promoting goal-consistent trajectory generation and improved spatial feasibility. While SWAM leverages depth pseudo-labels during training to internalize spatial priors, it requires only monocular RGB input at inference time. We further introduce a visual-guided action refinement module and a trajectory-scale regularization loss to enforce fine-grained alignment between motion and visual cues while stabilizing predictions across varying distances. Extensive experiments show that SWAM significantly outperforms state-of-the-art two-stage planners in success rate, trajectory accuracy, and inference efficiency, while demonstrating robust zero-shot generalization to unseen 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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI