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:2606.31919

MVP-Nav: 多層価値マップによる物理認識ナビゲーション

MVP-Nav: Multi-layer Value Map Planner Navigator

シェア:XThreadsFacebookLINEはてブBluesky

RGB画像のみを用いたゼロショット物体ゴールナビゲーションにおいて、3D基盤モデルで2Dセマンティクスを3D境界ボックスに投影して物理占有を再構成し、セマンティック優先度と幾何を統合した多層価値マップで物理的に安全な経路計画を行う手法を提案。

詳しい要約

1. どんなもの?

- RGBのみの知覚でZero-shot Object Goal Navigation (ZSON) を行うための物理認識ナビゲーションフレームワーク。 - 単眼観測から3D foundation modelsを活用して明示的な物理占有を再構成し、2Dセマンティックインスタンスを3D oriented bounding boxesに投影してグローバルな空間セマンティック表現を形成。 - Multi-layer Value Map (MVM)を導入し、セマンティック優先度と再構成された幾何を共有コスト空間に統合。 - 知覚・計画・制御を実世界3Dと整合させる。

2. 先行研究と比べてどこがすごい?

- 既存のdepth-free手法は、高レベルのセマンティック推論に依存し幾何的根拠を欠くか、明示的な物理制約のないend-to-endポリシーを学習するため、セマンティックには妥当でも物理的に安全でない行動をとることが多い。 - MVP-Navは物理認識を備え、構造化された物理事前知識がアクティブ深度センサの不在を補償できることを示し、既存のdepth-free手法を大幅に上回るstate-of-the-art性能を達成。

3. 技術・手法の肝は?

- 単眼観測から3D foundation modelsを活用して明示的な物理占有を再構成。 - 2Dセマンティックインスタンスを3D oriented bounding boxesに投影し、グローバルな空間セマンティック表現を形成。 - Multi-layer Value Map (MVM)を導入し、セマンティック優先度と再構成された幾何を共有コスト空間に統合。 - これにより物理的に根拠のある幾何計画を可能にし、高レベルセマンティック推論と低レベル物理制約を統合。

4. どうやって有効だと検証した?

- Zero-shot object navigationベンチマークで広範な実験を実施。 - MVP-Navが既存のdepth-free手法を大幅に上回り、state-of-the-art性能を達成することを示した。 - 構造化された物理事前知識がアクティブ深度センサの不在を効果的に補償することを検証。

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が、関連手法としてZero-shot Object Goal Navigation (ZSON)、depth-free navigation、3D foundation models、Multi-layer Value Map (MVM) などが挙げられる。同分野の定番としてObject Goal Navigation (ObjectNav) やSemantic Mapping、Monocular Depth Estimationなどが考えられる。

※ 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: Wenyuan Xie, Shaokai Wu, Yijin Zhou, Yanbiao Ji, Guodong Zhang, Bayram Bayramli, Qiuchang Li, Xunchu Zhou, Yue Ding, Hongtao Lu

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Zero-shot Object Goal Navigation (ZSON) with RGB-only perception poses a fundamental challenge for embodied agents, as the absence of explicit depth information introduces severe physical uncertainty and semantic-physical misalignment. Existing approaches either rely on high-level semantic reasoning without geometric grounding or learn end-to-end policies that lack explicit physical constraints, often resulting in semantically plausible but physically unsafe behaviors. In this paper, we propose MVP-Nav, a physical-aware RGB-only navigation framework that aligns perception, planning, and control with the real 3D world. MVP-Nav reconstructs explicit physical occupancy from monocular observations by leveraging 3D foundation models to project 2D semantic instances into 3D oriented bounding boxes, forming a global spatial semantic representation. To unify high-level semantic reasoning and low-level physical constraints, we introduce a Multi-layer Value Map (MVM) that integrates semantic priorities and reconstructed geometry into a shared cost space, enabling physically grounded geometric planning. Extensive experiments on zero-shot object navigation benchmarks demonstrate that MVP-Nav significantly outperforms existing depth-free methods, achieving state-of-the-art performance and validating that structured physical priors can effectively compensate for the absence of active depth sensors.

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. 2newmo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
  3. 3GXO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
  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