日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2610.33546

MOON: 視覚言語ナビゲーションにおける忘却のタイミングと復帰行動の学習

MOON: Learning When to Forget and How to Move On in Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

凍結したVLNポリシーに逸脱判定とGRPOで訓練した復帰ポリシーの2つの軽量モジュールを追加し、経路逸脱時に履歴を消去して復帰を学習させることでR2R-CEの成功率を5.2ポイント向上させた論文。

詳しい要約

1. どんなもの?

- 対象: Vision-and-Language Navigation (VLN) における経路逸脱からの復帰 - 提案: MOON というフレームワーク - frozen な VLN policy に2つの軽量モジュールを付与 - 追加パラメータは1%未満 - 構成要素: - deviation judge: 経路逸脱を予測し履歴をクリアする警報を出す - recovery policy: GRPO で alarm 状態から訓練し復帰行動を学習 - 主張: 復帰には『いつ忘れるか』が重要

2. 先行研究と比べてどこがすごい?

- 先行 VLN policy は visual history に依存し、誤行動で instructed route を外れる問題 - 4つの VLN policy への paired interventions で知見を提示 - 逸脱開始時に履歴をクリアすると pooled success が倍増 - しかし on route では低下 - 逸脱後期に off-route frames のみ除去しても効果は小さい - 残存履歴が turn を妨げる『behavioral inertia』を指摘 - MOON はこの知見に基づき、いつ履歴をクリアするかを学習

3. 技術・手法の肝は?

- frozen VLN policy を土台に軽量2モジュールを追加 - deviation judge - 経路逸脱を予測し alarm を発し履歴をクリア - recovery policy - alarm 状態から GRPO で訓練 - sampling でのみ見つかる成功を single greedy rollout に変換 - 設計の肝: 履歴クリアのタイミング決定と復帰行動学習の分離

4. どうやって有効だと検証した?

- データセット: R2R-CE, RxR-CE - 結果: - 比較手法中で R2R-CE 最高 success rate - frozen base を success rate で 5.2 / 6.0 points 向上 - ablation: random trigger では利得が依存することを示し、履歴クリアのタイミングが重要と確認 - 追加: 再訓練なしで HM3D-OVON の zero-shot object-goal navigation も改善

5. 議論はある?

- 主張: 逸脱復帰は『どう動くか』だけでなく『いつ忘れるか』に依存 - paired interventions による behavioral inertia の知見が根拠 - random trigger の ablation でタイミング依存性を議論 - 限界・詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: - R2R-CE, RxR-CE 上の既存 VLN 手法 - GRPO - HM3D-OVON 上の zero-shot object-goal navigation - 関連して読むべき: VLN における history 利用・behavioral inertia を扱う研究(個別名は要旨からは不明)

※ 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: Jingmeng Zhou, Seson Sun, Binyao Xu, Lingming Zhang, Hanshi Wang, Fudong Ge, Weiming Hu, Jin Gao, Zhipeng Zhang

分類: cs.RO

原文アブストラクト

Recent vision-and-language navigation (VLN) policies act on their visual history, and an incorrect action can take them off the instructed route. Paired interventions on four VLN policies show that clearing the history doubles pooled success at the onset of a deviation but lowers it on route, while later in a deviation, removing only the off-route frames helps much less. After a deviation, the retained history keeps the policy from turning where a turn is needed, which we call behavioral inertia. We propose MOON, a framework that equips a frozen VLN policy with two lightweight modules, adding less than 1% of its parameters. A deviation judge decides when to forget, raising an alarm that clears the history when it predicts that the agent is off route. A recovery policy, trained with GRPO from alarm states, learns how to move on, turning more of the successes found only by sampling into a single greedy rollout. Experiments on R2R-CE and RxR-CE show that MOON reaches the highest R2R-CE success rate among the compared methods and raises the success rate of its frozen base by 5.2 and 6.0 points, and an ablation with a random trigger indicates that this gain depends on when the history is cleared. Without retraining, MOON also improves zero-shot object-goal navigation on HM3D-OVON. Together, these results suggest that deviation recovery depends on knowing when to forget, not only how to act. Code is available at https://github.com/AutoLab-SAI-SJTU/MOON.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI