論文の概要: MCNav: Memory-Aware Dynamic Cognitive Map for Zero-shot Goal-oriented Navigation

• arxiv url: http://arxiv.org/abs/2605.19594v1
• Date: Tue, 19 May 2026 09:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.254838
• Title: MCNav: Memory-Aware Dynamic Cognitive Map for Zero-shot Goal-oriented Navigation
• Title（参考訳）: MCNav: ゼロショットゴール指向ナビゲーションのためのメモリ対応動的認知マップ
• Authors: Jingyu Li, Zhe Liu, Wenxiao Wu, Li Zhang,
• Abstract要約: MCNavは動的認知マップを備えたメモリ対応ナビゲーションフレームワークである。 目的の再検証と,目標の再探索の失敗という,メモリを意識した2つの探索戦略を導入する。 HM3Dv1およびHM3Dv2データセットのMCNavを3つの異なるタスクで評価した。
• 参考スコア（独自算出の注目度）: 20.5138418643777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Navigating to instance-level targets in complex environments is a challenging problem. Many existing zero-shot methods achieve strong performance by modeling the entire environment and leveraging large language models for scene understanding. However, such strategies primarily focus on exploring new regions while lacking a deeper exploitation of information from previously explored areas. Consequently, when targets are missed or misidentified within previously visited regions, navigation failures occur frequently. To address these limitations, we propose MCNav, a memory-aware navigation framework with a dynamic cognitive map. This map stores efficiently queryable information about relevant objects in explored areas. Building on this memory structure, MCNav introduces two memory-aware exploration strategies: goal re-validation, which re-assesses previously seen objects to correct matching failures, and missed goal re-exploration, which estimates the likelihood that a target is present in an explored region from contextual cues. These strategies are further stabilized by a blacklist mechanism to prevent repeated errors and a double-check mechanism for high-confidence confirmation. We evaluate MCNav on the HM3Dv1 and HM3Dv2 datasets across three different tasks, where it achieves state-of-the-art performance, particularly on the instance-level goal navigation task.
• Abstract（参考訳）: 複雑な環境でインスタンスレベルのターゲットにナビゲートするのは、難しい問題です。 既存のゼロショット手法の多くは、環境全体をモデル化し、シーン理解のために大きな言語モデルを活用することで、強力なパフォーマンスを実現している。 しかし、これらの戦略は主に新しい地域を探索することに焦点を当て、以前にも調査された地域からの情報のより深い活用を欠いている。 その結果、これまで訪れた地域でターゲットが見逃されたり、誤識別されたりすると、ナビゲーション障害が頻発する。 これらの制約に対処するために,動的認知マップを備えたメモリ対応ナビゲーションフレームワークMCNavを提案する。 このマップは、探索領域における関連オブジェクトに関する問い合わせ可能な情報を効率的に格納する。 このメモリ構造に基づいて、MCNavは2つのメモリを意識した探索戦略を導入している: ゴール再検証(Good re-validation)。 これらの戦略は、繰り返しエラーを防止するブラックリスト機構と、高信頼度確認のためのダブルチェック機構によってさらに安定化される。 HM3Dv1とHM3Dv2の3つのタスクでMCNavを評価し、特にインスタンスレベルのゴールナビゲーションタスクにおいて最先端のパフォーマンスを達成する。

関連論文リスト

• ReMemNav: A Rethinking and Memory-Augmented Framework for Zero-Shot Object Navigation [35.416693138335354]
  ゼロショットオブジェクトナビゲーションでは、エージェントは未知のターゲットオブジェクトを未知の環境で見つける必要がある。 視覚言語モデルの最近の進歩は、このタスクに有望な常識推論機能を提供する。 本稿では,パノラマ的セマンティック先行とエピソード記憶をシームレスに統合するReMemNavという新しい階層型ナビゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-25T09:07:32Z)
• Nav-$R^2$ Dual-Relation Reasoning for Generalizable Open-Vocabulary Object-Goal Navigation [67.68165784193556]
  Nav-$R2$は、ターゲット環境モデリングと環境行動計画という2つのタイプの関係を明示的にモデル化するフレームワークである。 我々のSA-Memは、時間的・意味的両面から最も標的に関連し、現在の観測関連の特徴を保っている。 Nav-R2は、合理化され効率的なパイプラインを通して見えないオブジェクトをローカライズする、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-02T04:21:02Z)
• FOM-Nav: Frontier-Object Maps for Object Goal Navigation [65.76906445210112]
  FOM-Navはフロンティアオブジェクトマップと視覚言語モデルによる探索効率を高めるフレームワークである。 FOM-Navをトレーニングするために,実環境から大規模ナビゲーションデータセットを自動構築する。 FOM-NavはMP3DとHM3Dのベンチマーク、特にナビゲーション効率の指標SPL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） (2025-11-30T18:16:09Z)
• 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)
• Hierarchical Spatial Proximity Reasoning for Vision-and-Language Navigation [1.2473780585666772]
  多くのVision-and-Language Navigation (VLN)アルゴリズムは、視覚的常識の欠如と限られた推論能力のために不正確な決定をする傾向がある。 本稿では,階層的空間近接の知識基盤構築を支援するために,階層的空間近接推論(HSPR)手法を提案する。 我々は、REVERIE、SOON、R2R、R4Rなどの公開データセットで実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-03-18T07:51:22Z)
• How To Not Train Your Dragon: Training-free Embodied Object Goal Navigation with Semantic Frontiers [94.46825166907831]
  Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。 本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。 本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
  論文  参考訳（メタデータ） (2023-05-26T13:38:33Z)
• Stubborn: A Strong Baseline for Indoor Object Navigation [11.947727956369874]
  本稿では,Habitat Challengeタスクにおいて,これまで公開されたメソッドのパフォーマンスを上回る,強力なベースラインを提示する。 提案手法は, 先進的な調査, 不正確な物体識別, 不正確な地図構築によるエージェントの捕捉といった, 先行技術の失敗モードから動機付けられている。
  論文  参考訳（メタデータ） (2022-03-14T17:55:00Z)
• Explore before Moving: A Feasible Path Estimation and Memory Recalling Framework for Embodied Navigation [117.26891277593205]
  ナビゲーションに焦点をあて,経験や常識に欠ける既存のナビゲーションアルゴリズムの問題を解決する。 移動前に2回思考する能力に触発されて、不慣れな場面で目標を追求する実現可能な経路を考案し、パス推定とメモリリコールフレームワークと呼ばれる経路計画手法を提案する。 EmbodiedQAナビゲーションタスクにおけるPEMRの強力な実験結果を示す。
  論文  参考訳（メタデータ） (2021-10-16T13:30:55Z)
• Structured Scene Memory for Vision-Language Navigation [155.63025602722712]
  視覚言語ナビゲーション(VLN)のための重要なアーキテクチャを提案する。 ナビゲーション中に知覚を正確に記憶できるほど区画化されている。 また、環境内の視覚的および幾何学的な手がかりを捉え、取り除く、構造化されたシーン表現としても機能する。
  論文  参考訳（メタデータ） (2021-03-05T03:41:00Z)

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。