論文の概要: SkillNav: Score-Level Skill Intervention for Zero-Shot Object Goal Navigation

• arxiv url: http://arxiv.org/abs/2607.15758v1
• Date: Fri, 17 Jul 2026 08:49:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.8016
• Title: SkillNav: Score-Level Skill Intervention for Zero-Shot Object Goal Navigation
• Title（参考訳）: SkillNav: 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スコアレベルスキルインターベンション
• Abstract要約: VLM(Vision-Language Model)エージェントは、ゼロショットのオブジェクトゴールナビゲーションを進化させたが、シングルフレーム推論では、具体化されたナビゲータが要求するクロスステップな行動認識がなくなる。 本稿では,VLMに基づくナビゲーションのための行動スキルフレームワークであるSkillNavを提案する。
• 参考スコア（独自算出の注目度）: 11.694572711553946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language Model (VLM) agents have advanced zero-shot object-goal navigation, yet single-frame reasoning leaves them without the cross-step behavioral awareness an embodied navigator requires, producing recurring failures such as dead-end stalls, in-room loops, and circuitous approaches to detected targets. Prompt-based remedies inflate token budgets across multi-submodule episodes and still struggle to encode inherently spatial signals such as angles, map cells, and viewpoint coordinates. In this paper, we propose SkillNav, an extensible behavioral skill framework for VLM-based navigation that treats the curiosity value map already maintained by modern VLM navigators as a writable substrate on which composable skills inscribe behavioral memory at zero token cost. Skills are stratified into three tiers by their level of behavioral authority, namely soft scaling for proportional reweighting, lower-bound boost for region-level guarantees, and hard override for threshold-triggered forced actions, and cooperate across tiers under a fixed composition order that establishes a predictable, declared priority among skills. This design turns capability improvement into skill registration: new behaviors plug in without retraining the VLM or disturbing existing skills, opening a path for continual refinement. A minimal prompt channel complements the score-level skills with category-level semantic hints, yielding a dual-representation design in which spatial memory lives on the map and semantic memory in short prompts. Training-free, SkillNav establishes new state-of-the-art SPL across MP3D (25.5), HM3D v0.1 (39.3), and HM3D v0.2 (43.2), improving SPL by up to 6.0 absolute over the strongest prior method, and achieves the highest Success Rate on HM3D v0.1 (69.7) and v0.2 (75.9).
• Abstract（参考訳）: VLM(Vision-Language Model)エージェントは、ゼロショットのオブジェクトゴールナビゲーションを進歩させたが、単一フレームの推論は、具体化されたナビゲータが要求するクロスステップな振る舞いの認識なしにそれらを残し、デッドエンドストールや室内ループ、検出対象に対するサーキット的アプローチなどの繰り返し失敗を発生させる。 プロンプトベースの修復は、マルチサブモジュールエピソードにまたがるトークン予算を増大させ、アングル、マップセル、視点座標などの本質的に空間的な信号を符号化するのに依然として苦労している。 本稿では,VLMを用いたナビゲーションのための拡張可能な行動スキルフレームワークであるSkillNavを提案する。 スキルは、その行動権限のレベル、すなわち、比例的再重み付けのソフトスケーリング、地域レベルの保証のローバウンドアップ、しきい値調整された強制行動のハードオーバーライドの3つの階層に階層化され、スキル間の予測可能で宣言された優先順位を確立する固定された構成命令の下で、階層間で協調する。 この設計は、能力の向上をスキル登録に転換する: VLMを再訓練したり既存のスキルを邪魔したりすることなく、新しい行動がプラグインされ、継続的な洗練のための道を開く。 最小限のプロンプトチャネルは、スコアレベルのスキルをカテゴリレベルのセマンティックヒントで補完し、空間記憶が地図上に存在し、短いプロンプトでセマンティックメモリが持つ二重表現設計をもたらす。 トレーニングなしのSkillNavは、MP3D (25.5)、HM3D v0.1 (39.3)、HM3D v0.2 (43.2)にまたがる新しい最先端のSPLを確立し、最強の先行手法よりも最大6.0絶対的なSPLを改良し、HM3D v0.1 (69.7)、v0.2 (75.9)で最高成功率を達成した。

関連論文リスト

• Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
  本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。 まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。 次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
  論文  参考訳（メタデータ） (2026-08-18T08:37:08Z)
• 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)
• Stop Wandering: Efficient Vision-Language Navigation via Metacognitive Reasoning [12.880792990007244]
  トレーニングフリーのビジョンランゲージナビゲーション(VLN)エージェントは、指示に従って3D環境を探索することができる。 既存のアプローチは、強欲なフロンティア選択と受動的空間記憶に依存している。 本稿では,空間記憶,履歴認識計画,反射補正を統合したメタ認知ナビゲーションエージェントMetaNavを提案する。
  論文  参考訳（メタデータ） (2026-04-02T17:58:08Z)
• 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)
• GoalVLM: VLM-driven Object Goal Navigation for Multi-Agent System [0.0]
  ゼロショットでオープンなオブジェクトナビゲーションのための協調型マルチエージェントフレームワークであるGoalVLMを提案する。 GoalVLMは、VLM(Vision-Language Model)を直接決定ループに統合し、SAM3はテキストプロンプト検出とセグメンテーション、SpaceOMは空間推論を行う。 GOAT-Bench val_unseenにおけるGoalVLMの評価を行った。
  論文  参考訳（メタデータ） (2026-03-18T18:59:33Z)
• DAgger Diffusion Navigation: DAgger Boosted Diffusion Policy for Vision-Language Navigation [73.80968452950854]
  Vision-Language Navigation in Continuous Environments (VLN-CE) は、エージェントが自由形式の3D空間を通して自然言語の指示に従う必要がある。 既存のVLN-CEアプローチは通常、2段階のウェイポイント計画フレームワークを使用する。 本稿では,エンドツーエンド最適化VLN-CEポリシとしてDAgger Diffusion Navigation (DifNav)を提案する。
  論文  参考訳（メタデータ） (2025-08-13T02:51:43Z)
• 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)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
  本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。 我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。 挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2024-07-08T12:52:46Z)
• Improving Target-driven Visual Navigation with Attention on 3D Spatial Relationships [52.72020203771489]
  3次元屋内シーンにおける深部強化学習(DRL)を用いた目標駆動型視覚ナビゲーションについて検討した。 提案手法は視覚特徴と3次元空間表現を組み合わせてナビゲーションポリシーを学習する。 AI2-THORで実施した我々の実験は、SRとSPLの指標において、モデルがベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2020-04-29T08:46:38Z)

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。