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:2608.09073

単調計画コストを備えた潜在世界モデルによる画像目標ナビゲーション

Latent World Models with Monotone Planning Costs for Image-Goal Navigation

シェア:XThreadsFacebookLINEはてブBluesky

画像目標ナビゲーションのための潜在世界モデルを提案し、計画コストの順序性を改善する単調コストランキング損失を導入して、サンプリングベースのプランナーの性能を向上させた。実ロボットでのゼロショット展開も実証した。

詳しい要約

1. どんなもの?

画像ゴールナビゲーションのための潜在世界モデルに関する研究。将来予測の正確さに加え、候補となる行動系列を確実にランク付けできる計画コストの重要性に着目し、予測埋め込みとゴール埋め込みのコサイン距離をコストとして定義。凍結したDINO-familyエンコーダに基づく潜在世界モデルを提案し、自己回帰ロールアウト損失とMonotone Cost Ranking (MCR)損失の2つの相補的な目的で訓練する。

2. 先行研究と比べてどこがすごい?

従来の潜在世界モデルは将来予測の精度に焦点を当てていたが、計画コストの順序付けが不十分だとsampling-based planner(例:CEM)を誤導することを示した点が新しい。また、InfoNCEベースのaction-contrastive trainingが時間的置換ネガティブにより潜在幾何学を歪め、計画性能を劣化させることを発見し、MCR損失を導入して直接的にコストの単調性を促進する点が優れている。

3. 技術・手法の肝は?

手法の核は、(1)凍結したDINO-familyエンコーダを使用し、自己回帰ロールアウト損失で訓練と多段階計画ロールアウトのギャップを減らすこと、(2)MCR損失により、摂動が増加する行動系列がより高い計画コストを受けるように直接訓練すること。また、InfoNCEベースの対照学習の欠点を分析し、時間的置換ネガティブを避ける。

4. どうやって有効だと検証した?

GNMナビゲーションデータセットで評価し、Navigation World Models (NWM)、DINO-WM、OmniVLA、NoMaDと比較して最先端の画像ゴールナビゲーション性能を達成。同じエンコーダのDINO-WMベースラインと比較して方位誤差を2.7倍削減。さらに、物理ロボットにゼロショット展開し、未見の屋内・屋外環境でゴール指向の経路を追従することを実証。

5. 議論はある?

要旨からは、MCR損失の理論的正当性や、他のタスクへの一般化、計算コスト、実環境でのロバスト性などについての議論は不明。また、InfoNCEベースの対照学習の失敗メカニズムの詳細な分析も要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている研究:Navigation World Models (NWM)、DINO-WM、OmniVLA、NoMaD。また、関連手法としてCross-Entropy Method (CEM)、DINO-family encoder、InfoNCE loss、latent world modelsの基礎となる論文(例:Dreamer)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: Amirhosein Chahe, Siwei Cai, Lifeng Zhou

分類: cs.RO

原文アブストラクト

Image-goal navigation with latent world models requires not only accurate future prediction, but also a planning cost that reliably ranks candidate action sequences. We define the cost as the cosine distance between the predicted future embedding and the goal embedding, and show that poor cost ordering can mislead sampling-based planners such as Cross-Entropy Method (CEM). To address this, we propose a latent world model built on a frozen DINO-family encoder and train it with two complementary objectives. An autoregressive rollout loss reduces the gap between training and multi-step planning rollouts, while a Monotone Cost Ranking (MCR) loss directly encourages increasingly perturbed action sequences to receive higher planning costs. We also study InfoNCE-based action-contrastive training and find that temporal permutation negatives distort the latent geometry and degrade planning performance. On the GNM navigation dataset, our method outperforms Navigation World Models (NWM), DINO-WM, OmniVLA, and NoMaD, achieving state-of-the-art image-goal navigation performance while reducing orientation error by $2.7\times$ over the same-encoder DINO WM baseline. We also deploy the model zero-shot on a physical robot, where it follows goal-directed paths in unseen indoor and outdoor 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. 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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI