論文の概要: SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning

• arxiv url: http://arxiv.org/abs/2606.08992v1
• Date: Mon, 08 Jun 2026 03:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.684182
• Title: SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning
• Title（参考訳）: SpaceVLN: オンライン空間認知記憶と推論機能を備えたゼロショット視覚・言語ナビゲーションエージェント
• Authors: Yucheng Deng, Pingrui Lai, Xinhai Li, Chenjia Bai, Xiaoheng Deng, Chengnuo Sun, Xuelong Li, Hua Yang,
• Abstract要約: SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。 このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。 R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
• 参考スコア（独自算出の注目度）: 59.64305326980364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-and-Language Navigation in continuous environments requires agents to understand the spatial structure of previously unseen environments in order to follow language instructions. Although foundation models have opened a promising path toward zero-shot navigation without task-specific policy training, many navigators still rely on local visual cues and linear history-based reasoning, overlooking the spatial nature of navigation across explored regions, traversed paths, landmarks, and their spatial relations. In this paper, we propose SpaceVLN, a navigation agent built around Spatial Cognitive Memory and Task-Guided Spatial Reasoning. Specifically, SpaceVLN introduces an efficient stagewise closed-loop framework where planning and execution are organized around verifiable space--landmark stages. During navigation, the agent progressively abstracts explored regions into Spatial Waypoints and dynamically maintains subtask-grounded landmark evidence, forming a hierarchical Spatial Cognitive Memory for progress localization and spatial-relation understanding. Built on this memory, Spatial-CoT integrates task-progress reasoning with spatial perception, analysis, and prediction, enabling Task-Guided Spatial Reasoning for embodied navigation. The unified stage interface enables SpaceVLN to address both Vision-and-Language Navigation and Object-Goal Navigation under a unified zero-shot setting, without task-specific policy training. Across R2R-CE, RxR-CE, GN-Bench, and HM3D-OVON, SpaceVLN achieves state-of-the-art zero-shot performance, and real-robot deployment further validates its applicability. These results highlight Spatial Cognitive Memory and Task-Guided Spatial Reasoning as a practical foundation for stronger embodied navigation agents.
• Abstract（参考訳）: 連続環境における視覚・言語ナビゲーションでは、エージェントは、言語命令に従うために、以前は目に見えない環境の空間構造を理解する必要がある。 基礎モデルは、タスク固有の政策訓練なしにゼロショットナビゲーションへの有望な道を開いたが、多くのナビゲーターは、探索地域、横断経路、ランドマーク、およびそれらの空間的関係を見渡して、局所的な視覚的手がかりと線形履歴に基づく推論に依存している。 本論文では,空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントであるSpaceVLNを提案する。 具体的には、SpaceVLNは、検証可能なスペースランドマークステージを中心に計画と実行を編成する効率的なステージワイドクローズドループフレームワークを導入している。 ナビゲーション中、エージェントは探索領域を空間的ウェイポイントに徐々に抽象化し、サブタスクを基盤としたランドマークエビデンスを動的に維持し、進行ローカライゼーションと空間関係理解のための階層的な空間認知記憶を形成する。 このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論を空間知覚、分析、予測と統合し、タスクガイド型空間推論を具体化してナビゲーションを可能にする。 統一されたステージインタフェースにより、SpaceVLNはタスク固有のポリシートレーニングなしで、ビジョン・アンド・ランゲージ・ナビゲーションとオブジェクト・ゴール・ナビゲーションの両方に対応できる。 R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現し、実際のロボット展開はその適用性をさらに検証している。 これらの結果から,より強力なボディードナビゲーションエージェントの実践的基盤として,空間認知記憶とタスクガイド型空間推論が注目されている。

関連論文リスト

• LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation [96.09246387639006]
  LookasideVLNは、より正確な空間推論とより高い計算効率を達成するために、自然言語の方向の手がかりを利用する。 LookasideVLNは、シングルレベルのルックアヘッドでも、最先端のCityNavAgentよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-04-19T01:36:53Z)
• SignNav: Leveraging Signage for Semantic Visual Navigation in Large-Scale Indoor Environments [57.79171900005793]
  人間は、大規模屋内環境内の目的地に向かうために、手話によって提供される意味的ヒントを日常的に活用する。 本稿では,手話からの意味的ヒントを解釈し,現在の観察に基づくその後の行動の推論を行うための,新しい具体的ナビゲーションタスクSignNavを紹介する。 空間認識モジュールは物理的世界へのサインの意味的ヒントを基盤として,時間認識モジュールは歴史的状態と現在の観測との長距離依存性を捉えている。
  論文  参考訳（メタデータ） (2026-03-17T06:36:26Z)
• SpatialNav: Leveraging Spatial Scene Graphs for Zero-Shot Vision-and-Language Navigation [48.17712857341527]
  エージェント中心の空間マップ,コンパス対応の視覚表現,効率的なナビゲーションのためのリモートオブジェクトローカライゼーション戦略を統合したゼロショットビジョン・アンド・ランゲージナビゲーション(VLN)エージェントを提案する。 離散的および連続的な環境での実験では、SpatialNavは既存のゼロショットエージェントを著しく上回り、最先端の学習手法とのギャップをはっきりと狭めている。
  論文  参考訳（メタデータ） (2026-01-11T08:39:19Z)
• From reactive to cognitive: brain-inspired spatial intelligence for embodied agents [50.99942960312313]
  Brain-inspired Space Cognition for Navigation (BSC-Nav) は、エンボディエージェントにおける構造化空間メモリの構築と活用のための統合されたフレームワークである。 BSC-Navは、エゴセントリックな軌跡と文脈的手がかりからアロセントリックな認知マップを構築し、意味的目標に沿った空間的知識を動的に回収する。
  論文  参考訳（メタデータ） (2025-08-24T03:20:48Z)
• Cog-GA: A Large Language Models-based Generative Agent for Vision-Language Navigation in Continuous Environments [19.818370526976974]
  VLN-CE(Vision Language Navigation in Continuous Environments)は、AIのフロンティアである。 本稿では,VLN-CEタスクに適した大規模言語モデル(LLM)に基づく生成エージェントであるCog-GAを紹介する。 Cog-GAは、人間のような認知過程をエミュレートするための二重戦略を採用している。
  論文  参考訳（メタデータ） (2024-09-04T08:30:03Z)
• 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。