論文の概要: VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation
- arxiv url: http://arxiv.org/abs/2607.14514v1
- Date: Thu, 16 Jul 2026 03:11:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.962027
- Title: VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation
- Title（参考訳）: VTM-Nav: 階層型ビジュアルトポロジカルメモリによるオブジェクト・ゴール・ナビゲーション
- Abstract要約: エージェントが同じシーンで繰り返し操作し、自己獲得経験のみを保持し、モデルパラメータを固定するクロスエポソードオブジェクトゴールナビゲーションを提案する。
経験の再利用を支援するために,永続的階層型ビジュアルトポロジカルメモリ(VTM)を用いたトレーニング不要なVLMナビゲーションフレームワークを提案する。
提案手法は,3つのベンチマークすべてで最高のパフォーマンスを実現し,データセット間の構造化視覚トポロジカルエクスペリエンスの再利用の有効性と堅牢性を示す。
- 参考スコア（独自算出の注目度）: 55.45263611374435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object-goal navigation requires an embodied agent to locate and reach an instance of a specified object category in an indoor environment. Recent training-free approaches leverage vision-language models (VLMs) for open-vocabulary semantic reasoning, but are typically evaluated under an episodic protocol that resets all scene-specific state after each episode. We introduce Cross-Episode Object-Goal Navigation, in which an agent repeatedly operates in the same scene, retains only self-acquired experience, and keeps its model parameters fixed. To support experience reuse, we present \method, a training-free VLM navigation framework with a persistent hierarchical Visual-Topological Memory (VTM). The VTM organizes scene knowledge at room and object levels and retrieves relevant experience through coarse-to-fine matching, providing memory as soft guidance only when it agrees with current observations. A conservative execution guard further mitigates oscillations, blocked motions, and premature stopping. Under a controlled same-scene protocol, we evaluate \method{} on three benchmarks, HM3D v0.1, HM3D v0.2, and MP3D, and compare it with a strengthened WMNav baseline augmented with cross-episode textual memory, while keeping the VLM backbone and action pipeline identical. \method{} achieves the best performance across all three benchmarks, demonstrating the effectiveness and robustness of structured visual-topological experience reuse across datasets.
- Abstract（参考訳）: オブジェクトゴールナビゲーションでは、屋内環境において特定のオブジェクトカテゴリのインスタンスを特定して到達するために、エンボディエージェントが必要である。
最近のトレーニングフリーアプローチでは、オープン語彙の意味推論に視覚言語モデル(VLM)を利用するが、通常、エピソードの後にすべてのシーン固有の状態をリセットするエピソードプロトコルで評価される。
エージェントが同じシーンで繰り返し操作し、自己獲得経験のみを保持し、モデルパラメータを固定するクロスエポソードオブジェクトゴールナビゲーションを提案する。
体験再利用を支援するために,学習不要なビジュアルトポロジカルメモリ(VTM)を備えたVLMナビゲーションフレームワークであるShamethodを提案する。
VTMは、部屋やオブジェクトレベルでのシーン知識を整理し、粗大なマッチングを通じて関連する経験を検索し、現在の観測と一致する場合にのみ、記憶をソフトガイダンスとして提供する。
保守的な実行ガードは、さらに発振、ブロック動作、早期停止を緩和する。
HM3D v0.1, HM3D v0.2, MP3D の3つのベンチマーク上で \method{} を評価し,VLMバックボーンとアクションパイプラインを同一に保ちながら, テキストメモリを拡張した強化 WMNav ベースラインと比較した。
\method{}は3つのベンチマークで最高のパフォーマンスを実現し、データセット全体の構造化視覚トポロジカルエクスペリエンスの再利用の有効性と堅牢性を示している。
関連論文リスト
- LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding [3.1007425074240866]
進化する環境における長期ロボット操作は、繰り返し再考されるオブジェクトレベルの理解を必要とする。
既存のシステムは、最新マップを維持するために履歴を上書きするか、一貫性のあるクロスセッションオブジェクトIDなしでセマンティックスナップショットを保存する。
本稿では、空間的に整合したインスタンスレベルの3次元知覚を、ボラティリティ条件付き時間的推論で統一する、ボラティリティ対応メモリ進化フレームワークLT-Memを提案する。
論文 参考訳（メタデータ） (2026-08-19T15:56:53Z) - From Semantic Grounding to Decision Optimization: A Unified Framework for Long-Horizon UAV Vision-Language Navigation [40.51712647240084]
UAVビジョン言語ナビゲーション(UAV-VLN)は、空のエージェントがオープンな3D環境で自然言語の指示に従うことを可能にすることに焦点を当てている。
現在のアプローチは、視覚的な観察における命令関連ランドマークの弱い接地、長距離履歴の不十分な活用、局所的なトラップや反復的な探索による不安定な決定の3つの複合的な問題に悩まされている。
これらの問題に対処する統合的意味決定フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T12:59:50Z) - AgenticNav: Zero-Shot Vision-and-Language Navigation as a Tool-Calling Harness [5.851139427049915]
連続環境(VLN-CE)におけるゼロショット視覚言語ナビゲーションは,近年,大規模視覚言語モデル(VLM)で実現可能になった。
本稿では,ゼロショットVLN-CEを,VLMと環境とのエージェントインタフェースとして再考する。
我々は、アクション、深さ、メモリを呼び出し可能なツールとして公開する軽量なナビゲーションハーネスであるAgenticNavを紹介します。
論文 参考訳（メタデータ） (2026-06-09T08:43:05Z) - EvoMemNav: Efficient Self-Evolving Fine-Grained Memory for Zero-Shot Embodied Navigation [81.54723508469617]
EvoMemNavは、ゼロショットエンボディナビゲーションのための効率的で自己進化的できめ細かいメモリフレームワークである。
VSMGraphは、セマンティックキューとトポロジ的関係を持つビューをルームビューオブジェクト階層に整理する。
GOAT-BenchとHM3Dのオブジェクト、テキスト記述、画像ゴールのモダリティによる実験は、SR/SPLにおいて一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-02T11:27:44Z) - 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) - Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation [54.04601077224252]
身近なシーン理解には、視覚空間情報の理解だけでなく、3D物理世界における次の探索場所の決定も必要である。
アンダーラインテキストbf3D視覚言語学習は、エンボディエージェントが環境を効果的に探索し理解することを可能にする。
モデルの汎用性は、カテゴリ、言語記述、参照イメージなど、多様な入力モダリティを使ったナビゲーションを可能にする。
論文 参考訳（メタデータ） (2025-07-05T14:15:52Z) - VMem: Consistent Interactive Video Scene Generation with Surfel-Indexed View Memory [55.73900731190389]
Surfel-Indexed View Memory (VMem) は、過去のビューを記憶するメモリモジュールであり、それらが観測した3次元表面要素(サーフェル)に基づいて幾何学的にインデックス化することで、過去のビューを記憶する。
VMemは、新しいビューを生成する際に、最も関連性の高い過去のビューを効率的に検索することを可能にする。
論文 参考訳（メタデータ） (2025-06-23T17:59:56Z) - MemoNav: Working Memory Model for Visual Navigation [47.011190883888446]
イメージゴールナビゲーションは、不慣れな環境でイメージによって示されるゴールにエージェントがナビゲートする必要がある、困難なタスクである。
様々な場面の記憶を利用する既存の手法は、すべての歴史的観察を意思決定に用いているため、非効率な探索に苦しむ。
動作メモリにインスパイアされたパイプラインを用いてナビゲーション性能を向上させる,イメージゴールナビゲーションのための新しいメモリモデルであるMemoNavを提案する。
論文 参考訳（メタデータ） (2024-02-29T13:45:13Z) - Multimodal Transformer with Variable-length Memory for
Vision-and-Language Navigation [79.1669476932147]
VLN(Vision-and-Language Navigation)は、エージェントが目標位置に向かうために言語命令に従う必要があるタスクである。
近年のTransformer-based VLN法は,視覚的観察と言語指導の直接的な結びつきから大きな進歩を遂げている。
視覚的な自然言語ナビゲーションのための可変長メモリ(MTVM)を備えたマルチモーダルトランス (Multimodal Transformer) を提案する。
論文 参考訳（メタデータ） (2021-11-10T16:04:49Z) - 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。