ASENA: 自己進化型エージェントによる身体性ナビゲーション

- 本論文はASENAを提案する。 - 汎用コーディングエージェントをロボットのセンシング、計算、監督実行、永続経験に接続するembodied agent system。 - エージェントはプログラムを書いて実行し、記録結果を検査し、失敗を修復し、ノートと実行可能スキルを再利用できる。モデル重みは固定。 - ASENA-VLNも導入。 - 4B monocular navigation policyで、このプログラマブルシステム内のオプションツール。 - 共有vision-language decoderでbody-frame trajectoriesを予測。 - route instructions、visual question answering、新規データセットで訓練。

- 先行研究と比べて、ASENAはコーディングエージェントをembodied navigationに統合し、モデル重みを固定したまま永続的ワークスペース進化とシミュレータフィードバックを実現。 - ASENA-VLNはスタンドアロンでR2R 68.7%、RxR 70.2%の成功率を達成し、state-of-the-art。 - コーディングエージェントと統合すると、agentic benchmarksで成功率が11ポイント向上し、実行時間も短縮。 - 反復タスクで成功率が大幅改善（R2R 72%→98%、RxR 65%→89%）。 - embodied question answeringでstate-of-the-art精度をより少ないinteraction stepsで達成。

- ASENAの肝は、汎用コーディングエージェントをロボットのセンシング、計算、監督実行、永続経験に接続する点。 - エージェントはプログラムを書き実行し、記録結果を検査し、失敗を修復し、ノートと実行可能スキルを再利用。 - モデル重みは固定。 - ASENA-VLNは4B monocular navigation policy。 - 共有vision-language decoderでbody-frame trajectoriesを予測。 - route instructions、visual question answering、新規のgeometry-derived atomic navigation tasksデータセットで訓練。 - 拡張ルートと短horizon行動の両方を予測。

- ASENA-VLNのスタンドアロン性能をR2RとRxRで評価。成功率68.7%と70.2%。 - コーディングエージェントとの統合で、agentic benchmarksの成功率が11ポイント向上し、実行時間短縮。 - 永続的ワークスペース進化とシミュレータフィードバックにより、反復100タスクサブセットで10パス後、R2Rで72%→98%、RxRで65%→89%に改善。 - embodied question answeringでstate-of-the-art精度をより少ないinteraction stepsで達成。 - Unitree G1での実世界デモで、検索、視覚検査、空間推論、合成ジェスチャを事前マップなしで実行。

- 議論の詳細は要旨からは不明。 - ただし、オンラインプログラミングがルート追従や事前定義スキルを超えてロボット行動を拡張することを示唆。 - 限界や課題については要旨からは不明。

- 要旨で参照/比較されている研究：R2R、RxR、embodied question answering、Unitree G1。 - 関連手法：vision-language decoder、monocular navigation policy、coding agents。 - 同分野の定番：Vision-and-Language Navigation (VLN)、Embodied Question Answering (EQA)、Sim-to-Real transfer。