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:2608.07267

WNM-3D: 3Dシーン条件付けによるクローズドループVLNのための世界ナビゲーションモデル

WNM-3D: A World Navigation Model with 3D Scene Conditioning for Closed-Loop VLN

シェア:XThreadsFacebookLINEはてブBluesky

連続的な視覚言語ナビゲーション(VLN)のための生成的世界行動モデルを提案し、3Dシーン表現を条件として将来の視覚と行動を同時生成することで、クローズドループのナビゲーション性能を向上させた。

詳しい要約

1. どんなもの?

WNM-3Dは、連続VLNのための生成的World Navigation Modelであり、3Dシーン条件付けを導入する。単眼のRGB観測履歴から凍結したfeed-forward geometry encoderで幾何学的表現を抽出し、trainableな3D Scene-to-Token Adapterで固定長のprefixに変換する。このprefixはworld-action Diffusion Transformerのblock-causal attentionで将来のビデオ・アクションブロックを条件付け、将来の観測とアクションを共同生成する。

2. 先行研究と比べてどこがすごい?

従来のVLMベースのVLAポリシーはアクション中心で、観測の進化を明示的にモデル化しない。既存のWAMは連続VLNでジオメトリを考慮しない。WNM-3Dは、観測履歴から推論したジオメトリ認識表現で将来の観測とアクション生成を条件付けする点が新しい。

3. 技術・手法の肝は?

手法の肝は、凍結したgeometry encoderとtrainableな3D Scene-to-Token Adapterによる3Dシーン条件付け、およびblock-causal attentionを備えたworld-action Diffusion Transformer。学習はA*デモでの教師ありworld-action fine-tuning、DAggerスタイルの適応、DanceGRPOによる閉ループポリシー最適化を組み合わせる。

4. どうやって有効だと検証した?

GN-Benchでの閉ループナビゲーション実験で、強力なVLMベースのナビゲーションポリシーと2D条件付けの対応物を上回る。固定のニアゴール評価セットでは、より高いフローアクション整合性と低い視覚運動誤差を達成。

5. 議論はある?

要旨からは、計算コストや実世界での一般化、他のデータセットでの性能などは不明。また、3D条件付けの効果がどの程度の改善に寄与するかの詳細な分析は要旨にない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、VLMベースのVLAポリシー、既存のWAM、A*デモ、DAgger、DanceGRPO、GN-Benchが挙げられる。次に読むべきは、これらの基盤となった論文や、連続VLNの標準的なベースラインを扱った論文。

※ 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: Yuehao Huang, Yunzi Wu, Xiaotao Zhang, Xinhai Li, Jiankun Dong, Jiajun Lv, Chi Zhang, Chenjia Bai, Yong Liu, Xuelong Li

分類: cs.AI, cs.CV, cs.RO

原文アブストラクト

Recent vision-language navigation (VLN) systems increasingly adapt pretrained vision-language models (VLMs) into vision-language-action (VLA) policies that map egocentric observations and language instructions directly to navigation actions. Although semantically capable, such action-centric training does not explicitly model how the agent's visual observations should evolve under its predicted motion. Generative world-action models (WAMs) jointly predict future observations and actions, yet existing WAMs for continuous VLN do not condition joint future-view and action generation on geometry-aware representations inferred from the observed history. We present WNM-3D, a generative World Navigation Model with 3D scene conditioning for continuous VLN. To consolidate past observations into persistent scene context, a frozen feed-forward geometry encoder extracts geometry-aware representations from the monocular egocentric RGB history, and a trainable 3D Scene-to-Token Adapter converts them into a fixed-length prefix in the token space of the world-action Diffusion Transformer. Through block-causal attention, this prefix conditions every future video-action block, providing a shared geometric context for both future-view and action generation. We train WNM-3D through supervised world-action fine-tuning on A*-generated demonstrations, DAgger-style adaptation on policy-visited states, and DanceGRPO-based closed-loop policy optimization. Experiments on GN-Bench show that WNM-3D outperforms strong VLM-based navigation policies and its 2D-conditioned counterpart in closed-loop navigation. On a fixed near-goal evaluation set, WNM-3D also achieves higher flow-action consistency and lower visual-motion error.

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