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:2607.29600

HAM-VLN: 階層的エージェント記憶を活用したゼロショット視覚言語ナビゲーション

HAM-VLN: Harnessing Hierarchical Agentic Memory for Zero-Shot Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

ロボットが未知環境で指示に従って移動する際、画像や地図の代わりにエージェント自身が書き込む永続的な世界グラフを記憶として使い、次の行動選択と同じLLM呼び出しで記憶も更新することで、長期的なナビゲーションの記憶・推論ボトルネックを解消した。追加のLLM呼び出しなしで文脈長を65%以上削減しつつ、複数のナビゲーションベンチマークで最高性能を達成した。

詳しい要約

1. どんなもの?

- 訓練不要のVLN(Vision-and-Language Navigation)フレームワーク - ロボットが未見環境で指示に従うため、multimodal LLMを利用 - 長期ナビゲーションにおけるメモリと推論のボトルネックを解消 - 永続的なdepth-grounded world graphを構築 - 次の行動選択と同じモデル呼び出しで記憶を記録

2. 先行研究と比べてどこがすごい?

- 従来の画像ストリームや密な地図ベースの手法よりメモリと推論の負担を軽減 - コンテキスト長を65%以上削減 - 追加のLLM呼び出し不要 - ナビゲーション指標を改善 - VLN-CE R2Rで61.0% SR、VLN-CE RxRで52.7% SR、HM3D-v2 ObjectNavで79.7% SRを訓練なしで達成

3. 技術・手法の肝は?

- 決定結合型のエージェント作成メモリ - 次の行動選択と同じモデル呼び出しで意味情報と反省情報を記録 - 記録内容:部屋タイプ、物体、ナビゲーション進捗、失敗ノート - 最近のウェイポイントは有界ウィンドウ内で逐語的に保持 - 古い履歴は関連性、新しさ、顕著性でスコアリングされた検索と1ホップのトポロジカル拡張を通じてのみコンテキストに再投入

4. どうやって有効だと検証した?

- VLN-CE R2R、VLN-CE RxR、HM3D-v2 ObjectNavで評価 - 訓練なしでそれぞれ61.0% SR、52.7% SR、79.7% SRを達成 - コンテキスト長を65%以上削減 - ナビゲーション指標の改善を確認

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、VLN-CE、RxR、ObjectNav、multimodal LLMベースのナビゲーション手法が挙げられる

※ 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: An Liu, Bingxi Liu, Hongyu Ding, Yixuan Jiang, Yaran Chen, Fulin Tang, Cong Leng, Hong Zhang, Jian Cheng

分類: cs.RO

原文アブストラクト

Vision-and-language navigation (VLN) enables robots to follow instructions in previously unseen environments. Recently, a training-free paradigm has emerged: the robot queries a multimodal LLM to understand its observations and plan the next action. However, long-horizon navigation based on either image streams or dense map inevitably introduces a growing memory and reasoning bottleneck. We present HAM-VLN, a decision-coupled, agent-authored memory that equips the robot with a persistent, depth-grounded world graph. In the same model call used to select the next action, HAM-VLN also records semantic and reflective information---including room type, objects, navigation progress, and failure notes. Recent waypoints remain verbatim within a bounded window, while older history re-enters the context only through retrieval scored by relevance, recency, and salience, together with one-hop topological expansion. This design requires no additional LLM calls beyond the per-waypoint decision. Compared to previous methods, HAM-VLN not only improves various navigation metrics but also reduces the context length by more than 65%. Specifically, HAM-VLN achieves 61.0% Success Rate (SR) on VLN-CE R2R, 52.7% SR on VLN-CE RxR, and 79.7% SR on HM3D-v2 ObjectNav without any training.

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