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:2610.14541

GG-Nav: 目標指向型グラウンディング連鎖推論でナビゲーション基盤モデルの推論を引き出す

GG-Nav: Goal-oriented Grounding Chain-of-Thought Elicits Reasoning in Navigation Foundation Models

シェア:XThreadsFacebookLINEはてブBluesky

ストリーミング観測を活用し目標を正確に特定する構造化Chain-of-Thoughtを教師あり微調整で学習させるナビゲーション手法を提案し、複数ベンチマークで成功率を向上させた。

詳しい要約

1. どんなもの?

- 目的志向ナビゲーションのためのフレームワーク「GG-Nav」を提案。 - Vision-Language Models (VLMs) を基盤とするナビゲーション foundation model の性能向上を目指す。 - 構造化された chain-of-thought (CoT) を supervised fine-tuning で学習。 - 目標関連インスタンスの位置特定、grounding 証拠の蓄積、信頼性の高い意思決定を実現。

2. 先行研究と比べてどこがすごい?

- 既存のナビゲーション foundation model は goal-oriented 設定で性能不十分。 - 動機付け研究で、ストリーミング観測の不十分な利用と不正確な目標位置特定が主要因と判明。 - GG-Nav はこれらを解決し、HM3D ObjectNav, VL-LN, CoIN ベンチマークで成功率がそれぞれ 3.1%, 16.6%, 5.3% 向上。 - 中間観測からの証拠蓄積で evidence-missing 失敗を 11.6% 削減、明示的 grounding で停止エラーを 49.4% 削減。

3. 技術・手法の肝は?

- 構造化 CoT を supervised fine-tuning で学習。 - 2段階: (i) Observation-to-Evidence: 隣接決定ステップ間の全中間フレームを推論し、目標関連証拠を保持。 - (ii) Evidence-to-Decision: 現在の観測と蓄積証拠を統合し、目標を ground してナビゲーション行動または clarification question を生成。

4. どうやって有効だと検証した?

- HM3D ObjectNav, VL-LN, CoIN ベンチマークで広範な実験を実施。 - 成功率で state-of-the-art を上回る。 - アブレーション研究で証拠蓄積と明示的 grounding の効果を定量化。 - Unitree Go2 ロボットに実装し、未見の実環境での zero-shot 汎化能力を実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: HM3D ObjectNav, VL-LN, CoIN ベンチマーク。 - 関連手法: Vision-Language Models (VLMs), navigation foundation models, chain-of-thought (CoT), supervised fine-tuning。 - 同分野の定番: 具体的な論文名は要旨に無いため、上記ベンチマークや手法を基に調査することを推奨。

※ 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: Shaohao Zhu, Wensi Huang, Siqi Zhang, Yuqiang Yang, Meng Wei, Chenyang Wan, Tianle Liu, Tai Wang, Jinming Xu

分類: cs.RO, cs.AI

原文アブストラクト

Emerging strong Vision-Language Models (VLMs) have advanced navigation foundation models. However, these models still have unsatisfactory performance on goal-oriented navigation settings. In this paper, we first conduct a motivating study revealing that the key issue lies in the insufficient utilization of streaming observations and imprecise target localization. To tackle these challenges, we propose GG-Nav, a simple yet effective navigation framework that learns a structured chain-of-thought (CoT) mechanism via supervised fine-tuning to explicitly localize goal-relevant instances, accumulate grounding evidence, and support more reliable decision-making. Specifically, the structured CoT is designed with two key stages: (i) Observation-to-Evidence, which reasons over all intermediate frames between adjacent decision steps to retain useful goal-related evidence; and (ii) Evidence-to-Decision, which integrates the current observation with accumulated evidence to ground the target and support the generation of navigation actions or clarification questions. Extensive experiments show that GG-Nav outperforms the state-of-the-art methods in terms of success rates on the HM3D ObjectNav, VL-LN, and CoIN benchmarks by 3.1%, 16.6%, and 5.3%, respectively. Ablation studies further show that accumulating evidence from intermediate observations reduces evidence-missing failures by 11.6%, while explicit grounding reduces stopping errors by 49.4%. We also deploy GG-Nav on a Unitree Go2 robot, demonstrating its zero-shot generalization capability in unseen real-world 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. 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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI