論文の概要: CostNav: A Navigation Benchmark for Cost-Aware Evaluation of Embodied Agents
- arxiv url: http://arxiv.org/abs/2511.20216v1
- Date: Tue, 25 Nov 2025 11:42:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.430597
- Title: CostNav: A Navigation Benchmark for Cost-Aware Evaluation of Embodied Agents
- Title（参考訳）: CostNav: エージェントのコスト意識評価のためのナビゲーションベンチマーク
- Authors: Haebin Seong, Sungmin Kim, Minchan Kim, Yongjun Cho, Myunchul Joe, Suhwan Choi, Jaeyoon Jung, Jiyong Youn, Yoonshik Kim, Samwoo Seong, Yubeen Park, Youngjae Yu, Yunsung Lee,
- Abstract要約: 既存のナビゲーションベンチマークは、経済的な可能性を見越しながらタスク成功の指標に焦点を当てている。
CostNavは、ナビゲーション研究のメトリクスと商業性の間のギャップを定量的に露呈する最初の試みである。
- 参考スコア（独自算出の注目度）: 24.972160872261938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing navigation benchmarks focus on task success metrics while overlooking economic viability -- critical for commercial deployment of autonomous delivery robots. We introduce \emph{CostNav}, a \textbf{Micro-Navigation Economic Testbed} that evaluates embodied agents through comprehensive cost-revenue analysis aligned with real-world business operations. CostNav models the complete economic lifecycle including hardware, training, energy, maintenance costs, and delivery revenue with service-level agreements, using industry-derived parameters. \textbf{To our knowledge, CostNav is the first work to quantitatively expose the gap between navigation research metrics and commercial viability}, revealing that optimizing for task success fundamentally differs from optimizing for economic deployment. Our cost model uses parameters derived from industry data sources (energy rates, delivery service pricing), and we project from a reduced-scale simulation to realistic deliveries. Under this projection, the baseline achieves 43.0\% SLA compliance but is \emph{not} commercially viable: yielding a loss of \$30.009 per run with no finite break-even point, because operating costs are dominated by collision-induced maintenance, which accounts for 99.7\% of per-run costs and highlights collision avoidance as a key optimization target. We demonstrate a learning-based on-device navigation baseline and establish a foundation for evaluating rule-based navigation, imitation learning, and cost-aware RL training. CostNav bridges the gap between navigation research and commercial deployment, enabling data-driven decisions about economic trade-offs across navigation paradigms.
- Abstract（参考訳）: 既存のナビゲーションベンチマークでは、自律配送ロボットの商業展開に欠かせない経済性を見越しながら、タスク成功の指標に焦点を当てている。
本稿では,実世界の業務と整合した包括的費用対効果分析により,エンボディードエージェントの評価を行う「emph{CostNav}」を紹介した。
CostNavは、ハードウェア、トレーニング、エネルギー、メンテナンスコスト、サービスレベルの合意によるデリバリ収益を含む完全な経済ライフサイクルを、業界由来のパラメータを使ってモデル化する。
私たちの知る限りでは、CostNavはナビゲーション研究のメトリクスと商業的生存可能性の間のギャップを定量的に露呈する最初の研究であり、タスク成功の最適化は、経済展開の最適化と根本的に異なることを明らかにしている。
我々のコストモデルは、産業データソース(エネルギーレート、配送サービス価格)から導出されるパラメータを使用し、縮小スケールのシミュレーションから現実的な配送まで予測する。
この予測では、ベースラインはSLA準拠を43.0\%達成しているが、商業的に有効である: 1ラン当たりの損失は30.009ドルであり、運転コストは衝突によって引き起こされる保守に支配されるため、運転コストは99.7\%であり、主要な最適化目標として衝突回避を強調している。
学習ベースのオンデバイスナビゲーションベースラインを実証し、ルールベースのナビゲーション、模倣学習、コスト対応RLトレーニングを評価する基盤を確立する。
CostNavはナビゲーション研究と商用デプロイメントのギャップを埋め、ナビゲーションパラダイム間の経済的なトレードオフに関するデータ駆動的な決定を可能にする。
関連論文リスト
- xRouter: Training Cost-Aware LLMs Orchestration System via Reinforcement Learning [104.63494870852894]
我々は,学習したルータが直接応答するか,あるいは1つ以上の外部モデルを呼び出すことができるツールコールベースのルーティングシステム x を提案する。
当社の実装には、報酬とコスト会計を含む、完全な強化学習フレームワークが含まれています。
さまざまなベンチマークで、xはコストパフォーマンスのトレードオフを強く達成します。
論文 参考訳（メタデータ） (2025-10-09T16:52:01Z) - DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation [55.888688171010365]
DORAEMONは、人間のナビゲーション機能を模倣したVentralとDorsal Streamsで構成される、認知にインスパイアされたフレームワークである。
我々は,DORAEMONをHM3D,MP3D,GOATのデータセット上で評価し,成功率(SR)と成功度(SPL)の測定値の両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-28T04:46:13Z) - Scheduling with Uncertain Holding Costs and its Application to Content Moderation [4.2130745016804205]
ソーシャルメディアプラットフォームにおけるコンテンツモデレーションでは、コンテンツのレビューを遅らせるコストは、そのビューの軌跡に比例する。
ジョブ状態が状態依存の即時保持コストを持つマルコフ連鎖に基づいて進化する待ち行列モデルを考える。
我々は,各ジョブをマルコフスキーレンタル問題と見なすことで,不確実性が部分的に解決した場合の将来の求職機会に適応するインデックスベースのアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-05-27T15:26:24Z) - Cost-Aware Query Policies in Active Learning for Efficient Autonomous Robotic Exploration [0.0]
本稿では,動作コストを考慮しつつ,ガウス過程回帰のためのALアルゴリズムを解析する。
距離制約を持つ伝統的な不確実性計量は、軌道距離上のルート平均二乗誤差を最小化する。
論文 参考訳（メタデータ） (2024-10-31T18:35:03Z) - MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [92.40586697273868]
モノのインターネットのタイムリーな更新は、車載メタバースサービスの没入を実現するために不可欠である。
本稿では,フェデレーション学習による効率的なプライバシ保護データ提供を可能にする没入型モデルトレーディングフレームワークを提案する。
実験の結果,提案手法は最先端のベンチマークよりも優れていた。
論文 参考訳（メタデータ） (2024-10-25T16:20:46Z) - QuasiNav: Asymmetric Cost-Aware Navigation Planning with Constrained Quasimetric Reinforcement Learning [0.8795040582681392]
QuasiNavは、非対称コストを明示的にモデル化するために擬似埋め込みを統合する新しい強化学習フレームワークである。
従来手法よりも優れた性能を示し, 成功率の向上, エネルギー効率の向上, 安全制約の遵守性の向上を実現した。
論文 参考訳（メタデータ） (2024-10-22T03:39:21Z) - Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。
現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。
本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z) - Predicting Dense and Context-aware Cost Maps for Semantic Robot
Navigation [35.45993685414002]
本研究では,対象がセマンティックラベルで指定された未知環境における目標ナビゲーションの課題について検討する。
本稿では,意味的コンテキストを暗黙的に含む高コストマップを予測するために,ディープニューラルネットワークアーキテクチャとロス関数を提案する。
また、コストマップ予測のためのセマンティックなヒントを提供するために、アーキテクチャに中間レベルの視覚表現を融合する新しい方法を提案する。
論文 参考訳（メタデータ） (2022-10-17T11:43:19Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Learning Navigation Costs from Demonstration in Partially Observable
Environments [24.457042947946025]
本稿では、未知の部分観測可能な環境における安全かつ効率的な自律ナビゲーションを実現するために、逆強化学習(IRL)に焦点を当てる。
本研究では, 確率的占有エンコーダと, 占有特性に繰り返し依存するコストエンコーダの2つの部分からなるコスト関数表現を開発する。
本モデルは,ロボットナビゲーションタスクにおけるベースラインIRLアルゴリズムの精度を上回り,トレーニングとテストタイム推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2020-02-26T17:15:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。