Fugu-MT 論文翻訳(概要): SAP-Nav: Spatial Semantic Representation Meets Active Perception for Hierarchical Open-Vocabulary Object Navigation

論文の概要: SAP-Nav: Spatial Semantic Representation Meets Active Perception for Hierarchical Open-Vocabulary Object Navigation

arxiv url: http://arxiv.org/abs/2608.12707v1
Date: Thu, 13 Aug 2026 01:43:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.36021
Title: SAP-Nav: Spatial Semantic Representation Meets Active Perception for Hierarchical Open-Vocabulary Object Navigation
Title（参考訳）: SAP-Nav: 階層型オープンボキャブラリオブジェクトナビゲーションのためのアクティブな知覚と空間意味表現
Abstract要約: SAP-Navは、アクティブな知覚を通じて両方の要求に対処する、完全にオンラインでゼロショットのフレームワークである。 SAP-Navは、タスク固有のトレーニングや事前計算されたシーンマップなしで、階層的および標準のカテゴリレベルのOVONをサポートする。 LangMapとHM3D-OVONの実験では、SAP-Navは、地域レベルのナビゲーションに関するトレーニングベースの手法よりも、SRを12.2%改善した。
参考スコア（独自算出の注目度）: 15.911353695458757
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hierarchical open-vocabulary object navigation (OVON) requires agents to follow free-form instructions that may specify targets through scene-, room-, region-, and instance-level cues in unseen environments. Although recent work LangMap has formalized this setting, reliably solving it under partial observations remains challenging: spatial grounding requires persistent environment-level evidence, whereas target verification requires clear and discriminative candidate views. We present SAP-Nav, a fully online, zero-shot framework that addresses both requirements through active perception. SAP-Nav incrementally constructs a Queryable Spatial-Semantic Representation from actively acquired room views, enabling spatial semantic queries from any explored location. It further employs Active Viewpoint Verification to assess whether the current observation provides sufficient evidence and, when necessary, reposition the agent to a more informative viewpoint before verifying candidates against category and attribute constraints. Although designed for hierarchical OVON, SAP-Nav supports both hierarchical and standard category-level OVON without task-specific training or precomputed scene maps. Experiments on LangMap and HM3D-OVON show that SAP-Nav achieves the overall best performance, including a 12.2% improvement in SR over training-based methods on region-level navigation. Real-world robot experiments further demonstrate its practical feasibility. Code will be made publicly available upon acceptance.
Abstract（参考訳）: 階層的オープンボキャブラリオブジェクトナビゲーション(OVON)では、エージェントは、見えない環境でのシーン、ルーム、リージョン、インスタンスレベルのキューを通じてターゲットを指定するフリーフォーム命令に従う必要がある。最近の研究では、LangMapはこの設定を定式化しているが、部分的な観測の下で確実に解決するのは難しい。 SAP-Navは、アクティブな知覚を通じて両方の要求に対処する、完全にオンラインでゼロショットのフレームワークである。 SAP-Navは、積極的に取得された部屋ビューからクエリ可能な空間意味表現を段階的に構築し、探索された場所から空間意味クエリを可能にする。アクティブ・ビューポイント・検証(Active Viewpoint Verification)は、現在の観察が十分な証拠を提供するかどうかを判断し、必要に応じて、カテゴリや属性の制約に対する候補を検証する前に、エージェントをより情報的な視点に再配置する。階層型OVON用に設計されているが、SAP-Navはタスク固有のトレーニングや事前計算されたシーンマップを使わずに、階層型と標準のカテゴリレベルのOVONの両方をサポートする。 LangMapとHM3D-OVONの実験では、SAP-Navは、地域レベルのナビゲーションに関するトレーニングベースの手法よりも、SRを12.2%改善した。実世界のロボット実験は、その実用性をさらに実証する。コードは受理時に公開される。

関連論文リスト

Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial Memory [69.51256305550844]
PSC-AVDNは3段階のParsing-Search-Confirmation推論パイプラインを構造化空間記憶と密結合する学習自由フレームワークである。 PSC-AVDNは、トレーニング不要の設定、マッチング、あるいはいくつかの微調整されたメソッドの超越において、新しい最先端のパフォーマンスを確立する。
論文参考訳（メタデータ） (2026-07-13T13:14:20Z)
SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
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。
論文参考訳（メタデータ） (2026-06-08T03:42:08Z)
AgentVLN: Towards Agentic Vision-and-Language Navigation [78.739525400071]
VLN (Vision-and-Language Navigation) は、複雑な自然言語命令を、見えない環境での長距離ナビゲーションに接地するために、エンボディエージェントを必要とする。本稿では,エッジコンピューティングプラットフォーム上に展開可能な,新規かつ効率的なナビゲーションフレームワークであるAgentVLNを提案する。
論文参考訳（メタデータ） (2026-03-18T12:43:47Z)
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)
From Reactive to Map-Based AI: Tuned Local LLMs for Semantic Zone Inference in Object-Goal Navigation [0.7734726150561086]
Object-Goal Navigation(ObjectNav)は、エージェントが未知の環境で対象のオブジェクトカテゴリを見つけてナビゲートする必要がある。我々は,LLMに基づく意味推論とハイブリッドトポロジカルグリッドマッピングシステムを統合することにより,リアクティブAIから"マップベースAI"への移行を提案する。本フレームワークでは,Llama-2モデルを用いて,言語化された対象観測から意味領域のカテゴリと目的存在確率を推定する。
論文参考訳（メタデータ） (2026-03-09T08:27:28Z)
FeudalNav: A Simple Framework for Visual Navigation [7.136542835931238]
ナビゲーション決定過程を複数のレベルに分解する階層的なフレームワークを開発する。提案手法は,簡単な経路選択ネットワークを通じてサブゴールを選択することを学習する。トレーニングや推論にオドメトリを使わずに,Habitat AI環境におけるSOTA手法のスイートによる競合結果を示す。
論文参考訳（メタデータ） (2026-01-15T22:10:29Z)
Nav-$R^2$ Dual-Relation Reasoning for Generalizable Open-Vocabulary Object-Goal Navigation [67.68165784193556]
Nav-$R2$は、ターゲット環境モデリングと環境行動計画という2つのタイプの関係を明示的にモデル化するフレームワークである。我々のSA-Memは、時間的・意味的両面から最も標的に関連し、現在の観測関連の特徴を保っている。 Nav-R2は、合理化され効率的なパイプラインを通して見えないオブジェクトをローカライズする、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2025-12-02T04:21:02Z)
SayNav: Grounding Large Language Models for Dynamic Planning to Navigation in New Environments [14.179677726976056]
SayNavは、Large Language Models(LLM)からの人間の知識を活用して、複雑なナビゲーションタスクを効率的に一般化する新しいアプローチである。 SayNavは最先端の結果を達成し、成功率の点で強烈な地道的な仮定でオラクルベースのベースラインを8%以上上回ります。
論文参考訳（メタデータ） (2023-09-08T02:24:37Z)
Environment-agnostic Multitask Learning for Natural Language Grounded Navigation [88.69873520186017]
本稿では,視覚言語ナビゲーション(VLN)タスクと対話履歴からのナビゲーション(NDH)タスクをシームレスにトレーニングできるマルチタスクナビゲーションモデルを提案する。実験により、環境に依存しないマルチタスク学習は、目に見える環境と目に見えない環境の間のパフォーマンスギャップを著しく減少させることが示された。
論文参考訳（メタデータ） (2020-03-01T09:06:31Z)

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。