日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/ナビゲーションarXiv:2606.30367

FutureNav: 視覚言語ナビゲーションのための統合世界行動モデリング

FutureNav: Unified World-Action Modeling for Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

視覚と言語によるナビゲーション(VLN)タスクにおいて、世界状態の遷移と将来予測を明示的にモデル化する統合フレームワークを提案し、4B規模のバックボーンで複数のベンチマークで最先端性能を達成した。

詳しい要約

1. どんなもの?

- Vision-and-Language Navigation (VLN) のための VLM ベースの統合 world-action modeling フレームワーク FutureNav を提案。 - 連続環境での VLN において、指示を自己中心視点の観測に接地し、長い行動系列にわたる空間理解を維持する必要がある。 - テキスト・視覚・空間特徴を統合して LLM に入力し、world と action を同時にモデル化する。 - 4B スケールのバックボーンで複数の VLN ベンチマークにおいて state-of-the-art を達成。

2. 先行研究と比べてどこがすごい?

- 最近の navigation foundation models は VLM のスケーリングで進歩したが、主に直接的な action generation としてナビゲーションを学習し、world states やその将来の進化を明示的にモデル化していない。 - FutureNav は world と action を統合的にモデル化することで、action prediction を強化しつつ world を明示的にモデル化する。 - 推論速度を犠牲にすることなく、4B スケールのバックボーンで複数の VLN ベンチマークにおいて state-of-the-art 性能を達成し、従来の VLN 手法を大幅に上回る。

3. 技術・手法の肝は?

- VLM ベースの統合 world-action modeling フレームワーク。 - テキスト・視覚・空間特徴を共同でエンコードし、LLM に供給する。 - 4 つの目的関数を同時に最適化: - action policy objective:ナビゲーション行動予測 - inverse dynamics objective:状態遷移のモデル化 - forward dynamics objective:状態遷移のモデル化 - future generation objective:将来の空間状態の予測 - この統合アーキテクチャにより、推論速度を落とさずに action prediction を強化し、world を明示的にモデル化する。

4. どうやって有効だと検証した?

- 複数の VLN ベンチマークで広範な実験を実施。 - 4B スケールのバックボーンで state-of-the-art 性能を達成し、従来の VLN 手法を大幅に上回ることを示した。 - 具体的なベンチマーク名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。 - 推論速度を犠牲にしないと述べられているが、詳細な議論や限界は記載されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:navigation foundation models、prior VLN methods。 - 関連手法:Vision-and-Language Navigation (VLN)、VLM ベースのナビゲーション、world-action modeling。 - 具体的な論文名は要旨からは不明。

※ 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: Lingfeng Zhang, Zeying Gong, Xiaoshuai Hao, Haoxiang Fu, Qiang Zhang, Mingliang Zhou, Hangjun Ye, Xiaojun Liang, Junwei Liang, Wenbo Ding

分類: cs.RO

原文アブストラクト

Vision-and-language navigation (VLN) in continuous environments requires an agent to ground instructions in egocentric observations while maintaining spatial understanding across long action sequences. Recent navigation foundation models have shown strong progress by scaling vision-language models, but they often learn navigation primarily as direct action generation, without explicitly modeling world states or predicting their future evolution. We introduce FutureNav, a VLM-based unified world-action modeling framework for vision-and-language navigation. Specifically, FutureNav jointly encodes text, visual, and spatial features and feeds them into the LLM, and optimizes four objectives for simultaneous world and action modeling: an action policy objective for navigation action prediction, inverse and forward dynamics objectives for modeling state transitions, and a future generation objective for predicting future spatial states. This unified architecture strengthens action prediction while explicitly modeling the world, without sacrificing inference speed. Extensive experiments show that, with only a 4B-scale backbone, FutureNav achieves state-of-the-art performance on multiple VLN benchmarks and substantially outperforms prior VLN methods, paving the way toward future world-action models for VLN. We will release the code and models to support future research.

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