論文の概要: SpikingNav: Robust Embodied Navigation with Spiking Neural Policies

• arxiv url: http://arxiv.org/abs/2608.05078v1
• Date: Wed, 05 Aug 2026 17:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:44.043111
• Title: SpikingNav: Robust Embodied Navigation with Spiking Neural Policies
• Title（参考訳）: SpikingNav:スパイクニューラルネットワークによるロバストな体操ナビゲーション
• Authors: Jiahong Zhang, Sijun Shen, Dehua Wu, Yifan Lin, Xuechen Xia, Xu Chu, Youhui Zhang, GuoqiLi,
• Abstract要約: SpikingNavは、屋内の堅牢なエンボディナビゲーションのためのスパイクフレームワークだ。 SNNの動的特性とスパイクアクティベーションを利用してナビゲーション性能とロバスト性を向上させる。
• 参考スコア（独自算出の注目度）: 23.45974487738739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied navigation requires an agent to make sequential decisions from egocentric observations in a physical environment. Existing Artificial Neural Network (ANN)-based navigation models have achieved strong performance, yet they often rely on dense computation and may degrade under visual corruptions. Spiking neural networks (SNNs) provide event-driven computation and intrinsic temporal dynamics, which are promising for compact and robust navigation on resource-constrained platforms. However, whether spike-based sensing and policy dynamics can improve robustness in visually rich embodied navigation remains an open problem. This paper proposes SpikingNav, a spiking framework for robust indoor embodied navigation. It contains a Spiking Sensing Encoder (SSE) and a Spiking Policy Network (SPN). The SSE extracts task-conditioned visual features with a spike-based backbone. The SPN maintains a recurrent policy state through membrane integration, thresholding, and spike-triggered reset. In this way, SpikingNav exploits the dynamic properties and spike activations of SNNs to improve navigation performance and robustness. We evaluate SpikingNav on PointNav and ObjectNav under clean observations and visual corruptions. SpikingNav achieves competitive clean performance and stronger robustness with fewer parameters and lower per-step computation than a matched ANN baseline. For instance, SpikingNav improves ObjectNav success from 31.05% to 34.12%, and raises the average success under visual corruptions from 8.45% to 13.71%, demonstrating the benefits of spike-based sensing and policy dynamics. We further validate the deployability of our spike-based sensing method on the Thruster-V2 neuromorphic chip. This physical hardware validation shows that SpikingNav can be instantiated on a real neuromorphic substrate for cyber-physical systems.
• Abstract（参考訳）: 身体的ナビゲーションは、エージェントが物理的環境における自我中心的な観察から順次決定することを必要とする。 既存のニューラルネットワーク(ANN)ベースのナビゲーションモデルは、強力なパフォーマンスを実現しているが、しばしば密度の高い計算に依存しており、視覚的な腐敗の下で劣化する可能性がある。 スパイキングニューラルネットワーク(SNN)は、リソース制約のあるプラットフォーム上でのコンパクトで堅牢なナビゲーションを約束する、イベント駆動の計算と固有の時間ダイナミクスを提供する。 しかし、スパイクベースセンシングやポリシーダイナミクスが視覚的にリッチなエンボディナビゲーションの堅牢性を向上させるかどうかは未解決の問題である。 本稿では,屋内の堅牢なエンボディナビゲーションのためのスパイキングフレームワークであるSpkingNavを提案する。 スパイキングセンシングエンコーダ(SSE)とスパイキングポリシーネットワーク(SPN)がある。 SSEはスパイクベースのバックボーンでタスク条件付き視覚特徴を抽出する。 SPNは、膜統合、閾値設定、スパイクトリガーリセットを通じて、繰り返しポリシー状態を維持する。 このように、SpikeNavはSNNの動的特性とスパイクアクティベーションを利用して、ナビゲーション性能と堅牢性を改善する。 クリーンな観察と視覚的腐敗の下で,PointNav と ObjectNav の SpikingNav を評価した。 SpikingNavは、ANNベースラインにマッチするよりも少ないパラメータと低いステップ毎の計算で、競争力のあるクリーンパフォーマンスと強力なロバスト性を実現している。 例えば、SpikeNav は ObjectNav の成功を 31.05% から 34.12% に改善し、8.45% から 13.71% に改善し、スパイクベースのセンシングとポリシーダイナミクスの利点を示している。 さらに,Thruster-V2ニューロモルフィックチップにおけるスパイクベースセンシング法の展開可能性について検証した。 この物理的ハードウェア検証は、SpikeNavがサイバー物理システムのための真のニューロモルフィック基板上でインスタンス化可能であることを示している。

関連論文リスト

• SpikingMOT: A Spike-Driven Multi-Object Tracker [75.7974381720717]
  SpikingMOTはスパイク駆動トラッカーとして提案され、スパイクニューラルネットワーク(SNN)を用いたスパース軌道力学を適応的にモデル化する。 この脳にインスパイアされたループにより、SpikeMOTは広範な実験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） (2026-07-22T08:03:23Z)
• What Limits Vision-and-Language Navigation ? [18.423144111320592]
  StereoNavは、現実世界のナビゲーションの一貫性を高めるために設計された、堅牢なVision-Language-Actionフレームワークである。 R2R-CEとRxR-CEの実験は、StereoNavが最先端のエゴセントリックなRGB性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-13T10:41:24Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
  スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。 自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:47:21Z)
• Spikformer: When Spiking Neural Network Meets Transformer [102.91330530210037]
  本稿では,スパイキングニューラルネットワーク(SNN)と自己認識機構という,生物学的にもっとも有効な2つの構造について考察する。 我々は、スパイキング・セルフ・アテンション(SSA)と、スパイキング・トランスフォーマー(Spikformer)という強力なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-29T14:16:49Z)
• A temporally and spatially local spike-based backpropagation algorithm to enable training in hardware [0.0]
  Spiking Neural Networks (SNN)は、分類タスクのためのハードウェア効率の良いアーキテクチャとして登場した。 非スパイキング人工ニューラルネットワーク(ANN)で使用される強力なバックプロパゲーション(BP)技術を採用する試みはいくつかある。
  論文  参考訳（メタデータ） (2022-07-20T08:57:53Z)
• RobustNav: Towards Benchmarking Robustness in Embodied Navigation [42.89815630148065]
  RobustNavは、視覚的またはダイナミックな汚職にさらされたときに、実施中のナビゲーションエージェントのパフォーマンスを定量化するフレームワークである。 データ強化や自己教師型適応といったロバスト性向上のための標準手法は, 耐ゼロショット性やナビゲーション性能の向上を図っている。
  論文  参考訳（メタデータ） (2021-06-08T17:14:33Z)
• Auxiliary Tasks and Exploration Enable ObjectNav [48.314102158070874]
  補助学習タスクと探索報酬を追加することで,汎用学習エージェントを再生成する。 われわれのエージェントは24.5%の成功、8.1%のSPL、それぞれ37%と8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-04-08T23:03:21Z)
• Inherent Adversarial Robustness of Deep Spiking Neural Networks: Effects of Discrete Input Encoding and Non-Linear Activations [9.092733355328251]
  スパイキングニューラルネットワーク(SNN)は、敵対的攻撃に対する固有の堅牢性の候補である。 本研究では、勾配に基づく攻撃によるSNNの対向精度が、非スパイク攻撃よりも高いことを示す。
  論文  参考訳（メタデータ） (2020-03-23T17:20:24Z)

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。