言語誘導探索のための構造化世界状態推論

自然言語指示に基づく長期的なロボット探索を対象としたフレームワーク WORLDS を提案。 - 地理空間の事前情報から初期化され、知覚で更新される永続的なグラフに推論を接地。 - 並列 Reasoner が候補解釈を維持し、識別のための証拠を要求。 - マルチモーダル Examiner が観測を処理し、Judge が目標を選択または再パスを要求。 - CityNav の全 5,311 テストエピソードで 51.8% のナビゲーション成功率を達成。

CityNav ベンチマークにおいて、OSM-only かつ高解像度正射画像プロトコル下で、以前の公開最高性能を 15.7 ポイント上回る 51.8% の成功率を達成。 - 共有 1,000 エピソードでは、同じモデル・事前情報・センシングスタック・移動予算を用いた最強の適応ベースラインが 27.9% であるのに対し、WORLDS は 50.0% を達成。 - 推論努力を低減した設定でも、適応 GeoNav ベースラインを 18.8 ポイント上回り、かつ生成トークン数が少ない。

推論を永続的なグラフに接地する点が肝。 - グラフは地理空間の事前情報から初期化され、知覚によって更新される。 - 並列 Reasoner が競合する候補解釈を維持し、それらを区別するための証拠を要求。 - 要求された観測をマルチモーダル Examiner が収集・処理。 - その後 Judge が接地された目標を選択するか、別のパスを要求。 - 観測に基づく Examiner の検証が成功率に 5.9 ポイント寄与。

CityNav の全 5,311 テストエピソードで評価し、51.8% のナビゲーション成功率を達成。 - 共有 1,000 エピソードで、同一条件の最強適応ベースライン（27.9%）と比較して 50.0% を達成。 - 推論努力低減設定でも適応 GeoNav ベースラインを 18.8 ポイント上回ることを確認。 - クアッドロータに実装し、生成したセンシングウェイポイントを飛行、オンボード画像から地図にない車両を含む 3 つの言語目標を接地。

要旨からは不明。 - 限界や失敗事例、計算コスト、スケーラビリティに関する議論は要旨に記載されていない。 - 観測ベース検証の寄与（5.9 ポイント）や推論努力低減時の性能は報告されているが、それ以上の議論は不明。

要旨で参照・比較されている研究：GeoNav ベースライン、CityNav ベンチマーク。 - 関連手法として、言語誘導ナビゲーション、マルチモーダル推論、グラフベースの世界状態表現、並列 Reasoner を用いた探索手法が挙げられる。 - 具体的な論文名は要旨に明記されていないため、同分野の定番として CityNav や GeoNav 関連の研究を次に読むべき。