SOR-Nav: 探索継続か領域移動か？文脈ゲート付き探索と領域間移動による物体ナビゲーション

- SOR-Navは、未見環境で物体を探索するObject Navigationの階層型ナビゲーションシステム。 - 部分観測と限られた移動予算の下で、現在の探索コンテキストを継続するか、より有望な到達可能領域へ移るかを明示的に裁定する。 - 自律的セマンティック探索システムと、context-gated LLM-driven object-search supervisorを組み合わせる。

- 既存手法は候補目的地のランキングにより次に行く場所を最適化するものが主流。 - それに対しSOR-Navは、現在のコンテキストでの探索継続と、別の到達可能フロンティアクラスタへのcross-region relocationを明示的に仲裁する点が新しい。 - HM3D-v1, HM3D-v2, MP3Dの完全な未フィルタ検証セットで、報告されている中で最高のSuccess Rate (SR)とSuccess weighted by Path Length (SPL)を達成。 - MP3DではSPLを18.1%から38.5%へ倍増以上、SRを50.7%から61.8%へ向上。

- 自律的セマンティック探索システムを構築し、永続的な3D物体クラスタを蓄積。 - 到達可能なフロンティアをクラスタ決定グラフに組織化し、効率的な探索抽象化を提供。 - context-gated LLM-driven object-search supervisorが現在の探索コンテキストの適合性を評価し、探索継続かcross-region relocationかを決定。

- HM3D-v1, HM3D-v2, MP3Dの完全な未フィルタ検証セットで評価。 - 全3ベンチマークで最高のSRとSPLを達成。 - Nested HM3D-v2アブレーションで提案する決定構造を検証。 - 連続3ターゲットの物理展開により、実世界シナリオでの持続的ObjectNav動作を実証。

- 要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Object Navigationの一般的な手法（例：Semantic Mapping, Frontier-based Exploration, Reinforcement Learningベースのナビゲーション）や、HM3D, MP3Dベンチマークを用いた研究が挙げられる。