論文の概要: STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation
- arxiv url: http://arxiv.org/abs/2608.28279v1
- Date: Fri, 28 Aug 2026 12:42:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.332422
- Title: STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation
- Title（参考訳）: STEGNav:マルチモーダル生涯オブジェクトナビゲーションのための時空間イベントグラフ推論
- Abstract要約: 本研究では,従来のシーングラフを相補的空間軸,時間軸に沿ってイベントグラフに拡張する学習自由フレームワークを提案する。
STEGNavは、GOAT-Benchで66.3%のSRと39.7のSPL、HM3D1とHM3Dv2でそれぞれ64.0%と69.4%を達成している。
- 参考スコア（独自算出の注目度）: 17.685326212060716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal lifelong navigation requires an agent to autonomously explore unseen environments while sequentially completing navigation tasks specified by object categories, language descriptions, or reference images. Existing methods primarily accomplish these tasks by constructing state-centric semantic scene graphs. By treating scene graphs as persistent repositories of semantic observations, these methods struggle to distinguish similar instances, jointly represent semantic targets and exploration frontiers, and effectively exploit navigation memory and trajectory experience. To address these limitations, we propose Spatio-Temporal Event Graph Navigation (STEGNav), a training-free framework that extends conventional scene graphs into spatio-temporal event graphs along complementary spatial and temporal axes. The spatial axis performs query-conditioned instance grounding and jointly represents semantic targets and occupancy-aware exploration frontiers characterized by reachability, path cost, and exploration utility. The temporal axis employs trajectory-aware dual-window memory to retain recent decision--trajectory events and verified cross-subtask navigation outcomes. A VLM-based navigation agent reasons over the resulting spatio-temporal event graph and selects either a target instance or an exploration frontier as its next navigation goal. STEGNav achieves 66.3% SR and 39.7 SPL on GOAT-Bench, as well as SR scores of 64.0% and 69.4% on HM3Dv1 and HM3Dv2, respectively. Ablation studies and error analyses validate the complementary effects of the two axes, demonstrating that event-driven spatio-temporal representations improve navigation reliability and cross-subtask experience reuse.
- Abstract（参考訳）: マルチモーダルライフロングナビゲーションでは、エージェントは、オブジェクトカテゴリ、言語記述、参照イメージによって指定されたナビゲーションタスクを順次完了しながら、目に見えない環境を自律的に探索する必要がある。
既存の手法は主に状態中心のセマンティックシーングラフを構築することでこれらのタスクを達成する。
シーングラフをセマンティックな観測の永続的なリポジトリとして扱うことで、これらの手法は類似のインスタンスを識別し、セマンティックなターゲットと探索フロンティアを共同で表現し、ナビゲーションメモリと軌道経験を効果的に活用する。
これらの制約に対処するため,従来のシーングラフを時空間および時空間軸に沿って時空間のイベントグラフに拡張するトレーニングフリーフレームワークである時空間イベントグラフナビゲーション(STEGNav)を提案する。
空間軸は、クエリ条件付きインスタンス接地を行い、セマンティックターゲットと、到達性、パスコスト、探索ユーティリティを特徴とする占有性を考慮した探索フロンティアを共同で表現する。
時間軸は、トラジェクティブを意識したデュアルウインドウメモリを用いて、最近の意思決定イベントと検証されたクロスサブタスクナビゲーション結果を保持する。
VLMベースのナビゲーションエージェントは、結果の時空間イベントグラフを理由付け、次のナビゲーション目標としてターゲットインスタンスまたは探索フロンティアを選択する。
STEGNavは、GOAT-Benchで66.3%のSRと39.7のSPLを獲得し、それぞれHM3Dv1とHM3Dv2で64.0%と69.4%を記録した。
アブレーション研究とエラー分析は、2つの軸の相補効果を検証し、事象駆動時空間表現がナビゲーションの信頼性とクロスサブタスク体験の再利用を改善することを示した。
関連論文リスト
- HarnessVLN: Unifying Training-Free Embodied Navigation through an Agent Harness [30.61739879302674]
身体的なナビゲーションでは、エージェントは視覚的な観察を解釈し、空間的な知識を蓄積し、指示に従うか、オブジェクトを見つけるためのアクションを実行する必要がある。
本稿では,ゼロショットでトレーニング不要なフレームワークであるHarnessVLNを紹介し,Hernessは統合されたツールインターフェースを通じて知覚,検索,接地,ナビゲーション,回復,終了を協調する。
論文 参考訳（メタデータ） (2026-09-14T08:15:56Z) - GLAM: Training a latent world model over global spatiotemporal memory for active exploration and navigation [2.887370275446209]
我々は、グローバルメモリ上でトレーニングされたゴール条件付き潜在世界モデルGLAMと、その周辺に構築された完全なナビゲーションシステムGLAM NAVを紹介する。
このモデルはJEPAのような潜伏予測パラダイムに従い、RGB再構成ではなくマップレベルの潜伏トークンを直接操作し、事前訓練されたウェイポイントエンコーダデコーダを使用してGLAM NAV内のナビゲーション計画の監視と復号を行う。
論文 参考訳（メタデータ） (2026-09-13T14:47:33Z) - CGFM-Nav: Cognitive Graph-Field Memory for Semantic-Guided Lifelong Multimodal Embodied Navigation [15.24487734405541]
VLN(Vision-and-Language Navigation)は、未確認領域を継続的に探索しながら、蓄積した観測をエージェントが推論する必要がある。
我々は,永続的なマルチモーダルシーン表現である認知グラフフィールドメモリ(CGFM)を提案する。
CGFM上に構築されたCGFM-Navは,生涯にわたるマルチモーダルナビゲーションのための基盤モデルに基づくフレームワークである。
論文 参考訳（メタデータ） (2026-08-29T07:54:38Z) - VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation [55.45263611374435]
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。
論文 参考訳（メタデータ） (2026-07-16T03:11:37Z) - EffiNav: Fusing Depth and Vision-Language for Efficient Object Goal Navigation [0.0]
未知の環境を探索しながら対象物を見つけることは、自律エージェントの基本的な能力である。
Navでは、ターゲットオブジェクトへの成功はパフォーマンスの基本的な尺度を提供する。
未知の環境では、効率的なナビゲーションの鍵は次の探索場所を決定することである。
論文 参考訳（メタデータ） (2026-06-17T03:04:11Z) - 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) - 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) - T2Nav Algebraic Topology Aware Temporal Graph Memory and Loop Detection for ZeroShot Visual Navigation [0.11184789007828977]
T2Navは、異種データを統合し、グラフベースの推論を利用するゼロショットナビゲーションシステムである。
視覚情報を直接グラフに組み込んで環境に適合させることで,探索と目標達成のバランスが良好になる。
論文 参考訳（メタデータ） (2026-03-06T22:35:58Z) - RSRNav: Reasoning Spatial Relationship for Image-Goal Navigation [57.197881161006904]
近年のイメージゴールナビゲーション(ImageNav)手法は,目標と自我中心の画像の意味的特徴を別々に捉え,知覚行動ポリシーを学習している。
本稿では,目標と現在の観測値の空間的関係をナビゲーションガイダンスとして考慮する,シンプルで効果的な手法であるRSRNavを提案する。
論文 参考訳（メタデータ） (2025-04-25T00:22:17Z) - 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) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z)
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。