論文の概要: IntentionNav: A Benchmark for Intent-Driven Object Navigation from Implicit Human Instruction

• arxiv url: http://arxiv.org/abs/2605.23187v1
• Date: Fri, 22 May 2026 03:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.177572
• Title: IntentionNav: A Benchmark for Intent-Driven Object Navigation from Implicit Human Instruction
• Title（参考訳）: IntentionNav: インテンシブなヒューマンインストラクションからインテント駆動オブジェクトナビゲーションのベンチマーク
• Abstract要約: IntentionNavは、暗黙の人間の指示からアクティブなオブジェクト検索を行うための診断ベンチマークである。 IntentionNavには、176のIsaac Simシーンと64のターゲットカテゴリに500の意図がある。 モデルは48.3%のエピソードで目標を特定し、68.7%で2m地区に入るが、わずか24.9%で終了し、5.5%で1mの成功を達成した。
• 参考スコア（独自算出の注目度）: 17.341498923142595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing object navigation benchmarks usually tell an embodied agent which object category to find, such as microwave or chair. Human-facing embodied AI is often asked something less direct: "I need something to warm this food" or "the room feels stuffy." The agent must infer the object that can satisfy the need, find a scene-grounded instance, and decide whether the goal has been reached. We study this setting as intent-driven object navigation and introduce IntentionNav, a diagnostic benchmark for active object search from implicit human instructions. Each episode provides a free-text intent, RGB-D observations, and pose, but withholds the target object name. IntentionNav contains 500 intents over 176 Isaac Sim scenes and 64 target categories. Each intent is rewritten in four controlled instruction styles and annotated with one of four intent modes, separating surface phrasing from semantic cue type under matched geometry. This paired design supports analysis of target inference, language robustness, neighborhood reachability, and terminal success rather than only aggregate success. We evaluated three VLMs using a fixed active-navigation agent. Models identify the intended target in 48.3 percent of episodes and enter its 2 m neighborhood in 68.7 percent, but terminate successfully in only 24.9 percent and achieve grounded 1 m success in 5.5 percent. Success is highest for event-script intents (28.7 percent) and lower for physical-state and affordance intents (19.2 percent and 18.5 percent), showing that indirect human intent remains a bottleneck for target selection, visual verification, and terminal localization in active embodied search.
• Abstract（参考訳）: 既存のオブジェクトナビゲーションベンチマークは、通常、電子レンジや椅子など、どのオブジェクトカテゴリーを見つけるかを示すエンボディエージェントを示す。 この食べ物を温める何かが必要だ」、あるいは「部屋はぬいぐるみを感じている」。 エージェントは、ニーズを満たすことができるオブジェクトを推論し、シーングランドのインスタンスを見つけ、ゴールが到達したかどうかを判断する必要があります。 我々は、この設定を意図駆動型オブジェクトナビゲーションとして研究し、暗黙の人間の指示からアクティブなオブジェクト検索の診断ベンチマークであるIntentionNavを導入する。 各エピソードは、自由テキストインテント、RGB-D観察、ポーズを提供するが、対象のオブジェクト名を保持しない。 IntentionNavには、176のIsaac Simシーンと64のターゲットカテゴリに500の意図がある。 それぞれのインテントは4つの制御された命令スタイルで書き直され、4つのインテントモードのうちの1つで注釈付けされ、マッチした幾何学の下でセマンティックキュータイプから表面のフレーズを分離する。 このペア設計は、総合的な成功だけでなく、ターゲット推論、言語堅牢性、近隣到達可能性、ターミナル成功の分析をサポートする。 固定型アクティブナビゲーション剤を用いて3種類のVLMを評価した。 モデルは48.3%のエピソードで目標を特定し、68.7%で2m地区に入るが、わずか24.9%で終了し、5.5%で1mの成功を達成した。 成功は、出来事記述意図(28.7%)が最も高く、身体状態や手当意図(19.2%と18.5%)は低い。

関連論文リスト

• IntentNav: Learning Spatial-Visual Object Navigation from Human Demonstrations [58.921283404811085]
  我々は,人間のようなObjectNavポリシーを人間のデモから学習するフレームワークを提案する。 IntentNavはMP3D、HM3D-v1、HM3D-v2 ObjectNavベンチマーク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） (2026-06-06T07:45:19Z)
• Intent3D: 3D Object Detection in RGB-D Scans Based on Human Intention [86.39271731460927]
  人間の意図に基づくRGB-Dを用いた3Dオブジェクト検出における新しいタスクである3Dインテントグラウンドを導入する。 3Dインテンショニングは、AIエージェントが人間の意図のみに基づいて、望まれるターゲットを自動的に観察し、推論し、検出することを課題とする。 我々は,この意図に基づく検出問題に対処するために,我々のユニークなアプローチであるIntentNetを提案する。
  論文  参考訳（メタデータ） (2024-05-28T15:48:39Z)
• Instance-aware Exploration-Verification-Exploitation for Instance ImageGoal Navigation [88.84058353659107]
  インスタンスイメージゴールナビゲーション(IIN)は、探索されていない環境でゴールイメージによって表現された指定されたオブジェクトにナビゲートすることを目的としている。 本稿では、インスタンスレベルの画像目標ナビゲーションのための新しいモジュール型ナビゲーションフレームワーク、Exploration-Verification-Exploitation (IEVE)を提案する。 我々の手法は従来の最先端の手法を超越し、古典的セグメンテーションモデル(0.684対0.561成功)またはロバストモデル(0.702対0.561成功)を用いる。
  論文  参考訳（メタデータ） (2024-02-25T07:59:10Z)
• Search for or Navigate to? Dual Adaptive Thinking for Object Navigation [5.725213873382458]
  オブジェクトナビゲーション分野における手法は,「探索」フェーズの重要さを無視しながら,「探索」フェーズを強化するために,オブジェクトアソシエーションをほとんど考慮しない。 本稿では、異なるナビゲーション段階における異なる思考戦略を柔軟に調整するための二重適応的思考法(DAT)を提案する。 The State-of-the-art (SOTA) 法と比較すると, 成功率10.8%, 21.5%, 15.7%の増加, 経路長(SPL)による成功, ナビゲーション効率(SNE)による成功を報告した。
  論文  参考訳（メタデータ） (2022-08-01T01:04:25Z)
• ZSON: Zero-Shot Object-Goal Navigation using Multimodal Goal Embeddings [43.65945397307492]
  オープンワールドオブジェクトゴールナビゲーション(ObjectNav)を学習するためのスケーラブルなアプローチを提案する。 このアプローチは完全にゼロショットです -- つまり、ObjectNavの報酬やデモは一切必要ありません。
  論文  参考訳（メタデータ） (2022-06-24T17:59:02Z)
• Object Manipulation via Visual Target Localization [64.05939029132394]
  オブジェクトを操作するための訓練エージェントは、多くの課題を提起します。 本研究では,対象物体を探索する環境を探索し,位置が特定されると3次元座標を計算し,対象物が見えない場合でも3次元位置を推定する手法を提案する。 評価の結果,同じ感覚スイートにアクセス可能なモデルに比べて,成功率が3倍に向上したことが示された。
  論文  参考訳（メタデータ） (2022-03-15T17:59:01Z)
• SOON: Scenario Oriented Object Navigation with Graph-based Exploration [102.74649829684617]
  人間のように3Dエンボディ環境のどこからでも言語ガイドされたターゲットに向かって移動する能力は、インテリジェントロボットの「聖杯」目標の1つです。 ほとんどのビジュアルナビゲーションベンチマークは、ステップバイステップの詳細な命令セットに導かれ、固定された出発点から目標に向かって移動することに焦点を当てている。 このアプローチは、人間だけが物体とその周囲がどのように見えるかを説明する現実世界の問題から逸脱し、ロボットにどこからでも航行を依頼する。
  論文  参考訳（メタデータ） (2021-03-31T15:01:04Z)
• ObjectNav Revisited: On Evaluation of Embodied Agents Navigating to Objects [119.46959413000594]
  この文書は、ObjectNavのワーキンググループのコンセンサスレコメンデーションを要約します。 評価基準の微妙だが重要な詳細について推奨する。 CVPR 2020のEmbodied AIワークショップで実施された課題において、これらの推奨事項のインスタンス化について、詳細な説明を行う。
  論文  参考訳（メタデータ） (2020-06-23T17:18:54Z)

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。