論文の概要: Scaffolding Foundation Models into Physical-World Agents Pushes the Frontier of Long-Horizon Navigation
- arxiv url: http://arxiv.org/abs/2608.30396v1
- Date: Mon, 31 Aug 2026 07:50:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.295348
- Title: Scaffolding Foundation Models into Physical-World Agents Pushes the Frontier of Long-Horizon Navigation
- Title（参考訳）: 長期航海のフロンティアを推し進める物理世界エージェントへの基礎モデルの適用
- Abstract要約: 長距離物理世界のエージェントは、信頼できるクローズドループ動作の決定を根拠にしながら、遠くの目標を推論しなければならない。
本稿では, 長期探査用NFMエグゼキュータとVLM推論エージェントを結合したエージェントスキャフォールディングフレームワークであるNavMCPを紹介する。
NavMCPは、Embodied Question AnsweringとUnitree Go2の最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 52.90741218586653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon physical-world agents must reason over distant goals while grounding decisions in reliable closed-loop behavior. Today's foundation models split these capabilities: vision-language models (VLMs) infer missing information and adapt high-level plans but remain brittle and inefficient at repeated navigation grounding, while navigation foundation models (NFMs) robustly execute semantic goals but operate as bounded episodes without persistent task-level reasoning. We introduce NavMCP, an agentic scaffolding framework that couples a VLM reasoning agent with an NFM executor for long-horizon exploration. The VLM decides what evidence to seek, where to search, and when to stop, while the NFM grounds each semantic sub-goal into closed-loop navigation. Three channels structure their collaboration: intent translates evidence needs into navigation calls, observation converts rollouts into source-grounded trajectory evidence, and memory accumulates findings, negative evidence, and unresolved goals across calls. This design turns isolated navigation rollouts into persistent embodied interaction without retraining either model. On Embodied Question Answering, NavMCP achieves state-of-the-art results on HM-EQA, MT-HM3D, and EXPRESS-Bench. Under matched agent and executor backbones, it outperforms an episodic interface by 14.9 percentage points on HM-EQA. On a Unitree Go2, NavMCP reaches 78.3% success, with its margin over the strongest baseline growing from 10 to 45 points as the task horizon increases. These results demonstrate the potential of scaffolding complementary foundation models into long-horizon physical-world agents.
- Abstract（参考訳）: 長距離物理世界のエージェントは、信頼できるクローズドループ動作の決定を根拠にしながら、遠くの目標を推論しなければならない。
視覚言語モデル(VLM) 不足した情報を推測し、ハイレベルな計画を適用するが、繰り返しナビゲーショングラウンドで不安定で非効率なままであり、ナビゲーション基盤モデル(NFM)はセマンティックな目標をしっかりと実行しているが、永続的なタスクレベルの推論なしで境界付けられたエピソードとして動作する。
本稿では, 長期探査用NFMエグゼキュータとVLM推論エージェントを結合したエージェントスキャフォールディングフレームワークであるNavMCPを紹介する。
VLMはどのエビデンスを探すか、どこで検索し、いつ停止するかを決定し、NFMはそれぞれのセマンティック・サブゴールをクローズドループナビゲーションに固定する。
インテントはエビデンスをナビゲーションコールに変換し、観察はロールアウトをソースグラウンドの軌跡エビデンスに変換し、メモリはコール全体で発見、否定的なエビデンス、未解決の目標を蓄積する。
この設計は、分離されたナビゲーションロールアウトを、どちらのモデルも再トレーニングすることなく、永続的なエンボディドインタラクションに変換する。
In Embodied Question Answering, NavMCP achieves state-of-the-art results on HM-EQA, MT-HM3D, EXPRESS-Bench。
マッチしたエージェントとエグゼキューターのバックボーンの下では、HM-EQAにおいて14.9ポイントのエピソードインターフェースを上回ります。
ユニツリーのGo2では、NavMCPは78.3%成功し、タスクの地平線が増加するにつれて、最強のベースラインを10から45ポイントまで伸ばした。
これらの結果は、相補的基礎モデルから長期物理世界のエージェントへの足場化の可能性を示している。
関連論文リスト
- 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) - SSTG-Nav: Metric-Grounded Spatial-Semantic Topological Graphs for Reusable Object Navigation [2.272547247667044]
SSTG-Navは再利用可能なメートル法セマンティックメモリで、1回のサーベイを実行可能なオブジェクトゴールに変換する。
36シーンにわたる1000のHM3D-v2エピソードにおいて、私たちのゴールに依存しないトポロジーは99.4%の幾何学的成功天井を達成した。
論文 参考訳（メタデータ） (2026-08-01T08:40:04Z) - Rethinking Embodied Navigation via Relational Inductive Bias [53.72276435022479]
本稿では,DB-Navを提案する。
標的中心の関係を活性化バイアスと抑制バイアスに分類する。
成功率(SR)と成功率(SPL)はパス長さ(SPL)が重み付けされているため、既存の方法よりも著しく優れています。
論文 参考訳（メタデータ） (2026-06-09T02:57:34Z) - AnE: Pushing the Reasoning Frontier of Multimodal LLMs via Anchor Evolution [61.593935260052795]
Supervised Fine-Tuning (SFT) とReinforcement Learning (RL) による後学習は多モーダル大規模言語モデル(MLLM)における推論の強化に不可欠である
既存のパラダイムは、静的データの制限により、しばしばパフォーマンスのボトルネックに達する。
我々は,真理に順応したデータキュレーションとモデル進化を統合する新しいパラダイムであるアンカー進化(AnE)を提案する。
論文 参考訳（メタデータ） (2026-05-25T08:26:34Z) - HiRO-Nav: Hybrid ReasOning Enables Efficient Embodied Navigation [58.29060712443587]
HiRO-Navは、自身のアクションエントロピーに基づいて、各ステップで思考を行うかどうかを適応的に決定できる最初の種類のエージェントである。
そこで本研究では,ハイブリッド型微調整をコールドスタートとし,その後にオンライン強化学習を施した調整訓練パイプラインを提案する。
textscCHORES-$mathbbS$ObjectNavベンチマークの実験では、HiRO-Navは、密集した考え方と非考えのベースラインの両方よりも成功率とトークン効率のトレードオフが優れていることが示されている。
論文 参考訳（メタデータ） (2026-04-09T13:22:24Z) - SR-Nav: Spatial Relationships Matter for Zero-shot Object Goal Navigation [23.52929533412924]
ゼロショットのオブジェクトゴールナビゲーションは、エゴセントリックな観測のみを使用して、目に見えない環境で対象物を見つけることを目的としている。
近年の手法は、ナビゲーション性能を高めるために基礎モデルの理解と推論能力を活用している。
本研究では、観察と経験に基づく空間的関係をモデル化し、知覚と計画の両面を強化するフレームワークであるSpatial Relation-Aware Navigation (SR-Nav)を提案する。
論文 参考訳（メタデータ） (2026-03-19T03:09:32Z) - ReasonNavi: Human-Inspired Global Map Reasoning for Zero-Shot Embodied Navigation [53.95797153529148]
身体的エージェントは、主に部分的な自我中心の観測に依存するため、効率的なナビゲーションに苦しむことが多い。
本稿では,マルチモーダル大規模言語モデル(MLLM)と決定論的プランナを結合することにより,この理由に基づくパラダイムを運用する,人間にインスパイアされたフレームワークであるReasonNaviを紹介する。
論文 参考訳（メタデータ） (2026-01-26T19:09:20Z) - FOM-Nav: Frontier-Object Maps for Object Goal Navigation [65.76906445210112]
FOM-Navはフロンティアオブジェクトマップと視覚言語モデルによる探索効率を高めるフレームワークである。
FOM-Navをトレーニングするために,実環境から大規模ナビゲーションデータセットを自動構築する。
FOM-NavはMP3DとHM3Dのベンチマーク、特にナビゲーション効率の指標SPL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） (2025-11-30T18:16:09Z) - Object Navigation with Structure-Semantic Reasoning-Based Multi-level Map and Multimodal Decision-Making LLM [18.406869393228813]
環境属性マップ(EAM)とMLLM階層推論モジュール(MHR)を用いたアクティブオブジェクトナビゲーションフレームワークを提案する。
EAMは、観測された環境をSBERTで推論し、観測されていない環境を拡散で予測することによって構築される。
MHRはEAMにインスパイアされてフロンティア探索決定を行い、長距離シナリオにおける回路軌道を避けて経路効率を向上させる。
論文 参考訳（メタデータ） (2025-06-06T09:08:40Z) - 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)
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。