論文の概要: EvolveNav: Proactive Preflection and Self-Evolving Memory for Zero-Shot Object Goal Navigation

• arxiv url: http://arxiv.org/abs/2606.18235v1
• Date: Tue, 16 Jun 2026 17:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.59233
• Title: EvolveNav: Proactive Preflection and Self-Evolving Memory for Zero-Shot Object Goal Navigation
• Title（参考訳）: EvolveNav: ゼロショットオブジェクトゴールナビゲーションのためのプロアクティブプリフレクションと自己進化メモリ
• Authors: Qi Chai, Wenhao Shen, Nanjie Yao, Yue Xia, Kaiyong Zhao, Jie Ma, Guosheng Lin, Hao Wang,
• Abstract要約: Zero-Shot Object-Goal Navigation (ZS-OGN) は、事前の訓練なしにターゲット対象を探索し、発見するための実施エージェントを必要とする。 本稿では,連続的なテスト時間改善を実現する自己進化型ZS-OGNフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 46.3273064028996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-Shot Object-Goal Navigation (ZS-OGN) requires embodied agents to explore and locate target objects without any prior training. To this end, recent methods leverage foundation models. But they typically rely on static priors and lack adaptation, which leads to repeated errors and costly trial and error. In this paper, we propose a self-evolving ZS-OGN framework that enables continuous test-time improvement. Specifically, we build an agentic rule memory by extracting actionable knowledge from past trajectories. Then, we propose a retrieval strategy based on upper confidence bound, selecting effective rules by balancing semantic relevance and historical success. In addition, we introduce a memory-guided preflection module that forecasts potential outcomes before action, reducing inefficient exploration. Extensive experiments show that our method outperforms existing zero-shot baselines, achieving a 10.1\% improvement in success rate with fewer unnecessary steps.
• Abstract（参考訳）: Zero-Shot Object-Goal Navigation (ZS-OGN) は、事前の訓練なしに対象物を探索・発見するために、実施エージェントを必要とする。 この目的のために、最近の手法は基礎モデルを活用する。 しかし、それらは通常、静的な事前と適応の欠如に依存しており、繰り返しエラーが発生し、試行錯誤とコストがかかる。 本稿では,テスト時間の改善を継続する自己進化型ZS-OGNフレームワークを提案する。 具体的には、過去の軌跡から実行可能な知識を抽出し、エージェントルールメモリを構築する。 そこで本稿では,意味的妥当性と歴史的成功のバランスをとることによって,効果的なルールを選択することを目的とした,上位信頼境界に基づく検索戦略を提案する。 さらに、動作前に潜在的な結果を予測し、非効率な探索を削減できるメモリ誘導プリフレクションモジュールを導入する。 実験の結果,提案手法は既存のゼロショットベースラインよりも優れており,不必要なステップを少なくして10.1\%の成功率の向上を実現していることがわかった。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Fast Adaptation with Behavioral Foundation Models [82.34700481726951]
  教師なしゼロショット強化学習は、行動基礎モデルの事前学習のための強力なパラダイムとして登場した。 有望な結果にもかかわらず、ゼロショットポリシーは、教師なしのトレーニングプロセスによって引き起こされるエラーにより、しばしば準最適である。 本稿では,事前訓練されたBFMの低次元タスク埋め込み空間を探索し,ゼロショットポリシーの性能を急速に向上させる高速適応手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:17Z)
• Restoring Forgotten Knowledge in Non-Exemplar Class Incremental Learning through Test-Time Semantic Evolution [11.50324946279326]
  NECIL(Non-exemplar Class Incremental Learning)では、古いクラスがアクセスできないため、忘れることが発生する。 テスト時セマンティックドリフト補償フレームワークであるRoSEを提案する。 CIFAR-100, TinyImageNet, ImageNet100データセット上のRoSEを, コールドスタートとウォームスタートの両方の設定で評価した。
  論文  参考訳（メタデータ） (2025-03-21T02:02:35Z)
• Advancing Weight and Channel Sparsification with Enhanced Saliency [27.89287351110155]
  プルーニングは、冗長パラメータを除去することでモデルを加速し、圧縮することを目的としている。 この除去は不可逆であり、しばしば刈り取られたモデルでは性能が劣る。 我々は、非構造的または構造的空間性に対する所定の重要性基準を強化するために、効率的で革新的なパラダイムを導入します。
  論文  参考訳（メタデータ） (2025-02-05T22:56:55Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Understanding Hindsight Goal Relabeling Requires Rethinking Divergence Minimization [10.854471763126117]
  マルチゴール強化学習(RL)の基礎技術として,隠れたゴールレバーベリングが注目されている。 そこで本研究では,このような関係を説明する目標達成のための統一的な目標を策定する。 近年のゴール条件付き行動クローニングの進歩にもかかわらず、マルチゴールQ-ラーニングは依然としてBCライクな手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2022-09-26T22:00:27Z)

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。