論文の概要: Compact Bellman-Grounded Cognitive Maps for Cost-Aware Navigation
- arxiv url: http://arxiv.org/abs/2609.05104v1
- Date: Fri, 04 Sep 2026 12:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.041697
- Title: Compact Bellman-Grounded Cognitive Maps for Cost-Aware Navigation
- Title（参考訳）: 低コストナビゲーションのためのベルマン周辺認知マップのコンパクト化
- Abstract要約: 生物学的エージェントは、新しい目標ごとにルートを再解決するだけでなく、一度構築された学習マップを再利用して、目標が変わるにつれて読み取ることで、馴染みのある環境をナビゲートする。
既存の認知マップモデルは、この再利用を模倣しているが、それらのガイダンスは、追加的な異種経路コストに明示的に基づかない。
本稿では,自己教師型ベルマングラウンドを用いたBCMを提案する。
- 参考スコア（独自算出の注目度）: 5.1710291471514545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biological agents navigate familiar environments not by re-solving routes for each new goal, but by reusing a learned map built once and read off as goals change. Existing artificial cognitive-map models mimic this reuse, yet their guidance is not explicitly grounded in additive heterogeneous route costs. Furthermore, they often struggle with memory efficiency: representative state-indexed and high-rank spectral constructions incur substantial storage growth as the environment scales. We present BCM, which grounds a reusable cognitive map in local edge costs through a self-supervised Bellman-grounded objective and a compact coordinate encoding, supporting changing goal queries without per-goal retraining. On weighted grids of up to $N=1600$ nodes, BCM maintains full success and only a 5\% mean Gap relative to exact Dijkstra search, compared with about $45\%$ for a connectivity-based spectral baseline. Notably, as the graph size increases from $N=400$ to $N=3600$, its memory footprint grows sublinearly while maintaining competitive performance, making our method scalable to complex environments. Together, these results show that additive route costs can be written into a compact, reusable cognitive-map representation, bridging the gap between biological flexibility and optimal path planning.
- Abstract（参考訳）: 生物学的エージェントは、新しい目標ごとにルートを再解決するだけでなく、一度構築された学習マップを再利用して、目標が変わるにつれて読み取ることで、馴染みのある環境をナビゲートする。
既存の認知マップモデルは、この再利用を模倣しているが、それらのガイダンスは、追加的な異種経路コストに明示的に基づかない。
さらに、それらはしばしばメモリ効率に苦しむ: 代表的なステートインデックスとハイランクなスペクトル構造は、環境がスケールするにつれて、かなりのストレージの増大を引き起こす。
本稿では,自己教師型ベルマン接地目標とコンパクトな座標符号化により,局所的なエッジコストを再利用可能な認知マップを構築するBCMについて述べる。
最大$N=1600$ノードの重み付きグリッドでは、接続ベースのスペクトルベースラインが約45\%であるのに対して、BCMは完全な成功を維持しており、正確なDijkstraサーチと比較してGapの平均はわずか5\%である。
特に、グラフサイズが$N=400$から$N=3600$に大きくなるにつれて、そのメモリフットプリントは、競合性能を維持しながらサブリニアに増加し、複雑な環境にスケーラブルになる。
これらの結果から, 付加的な経路コストをコンパクトで再利用可能な認知マップ表現に書き込むことができ, 生物学的柔軟性と最適経路計画のギャップを埋めることができることがわかった。
関連論文リスト
- Open-Set 3D Scene Graphs for Field Robotics: An Outdoor Case Study [5.807679246334387]
3次元シーングラフ(3DSG)は幾何学的に接地された意味情報を持つ地図を構築するための有望なアプローチとして現れている。
複雑な屋外環境において発生する課題を特徴付けるために、5つの屋外ロボットデータセットにまたがるほとんどの3DSG表現に共通するコンポーネントを分析した。
以上の結果から,屋外3DSGはコンパクト(マルチキロメータトラジェクトリの600$MB以下)と比較的一貫した大規模環境表現を維持できることが示唆された。
論文 参考訳（メタデータ） (2026-09-04T01:14:09Z) - Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。
彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。
境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。
当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
論文 参考訳（メタデータ） (2026-08-09T07:36:17Z) - A Survey of Spatial Memory Representations for Efficient Robot Navigation [4.560386676154887]
52のシステムにまたがる88の参照の空間記憶効率の問題を調査した。
M_textpeak / M_textmap$は、ピーク時メモリ(操作中に消費される全RAMまたはGPUメモリ)と保存されたマップサイズとの比率である。
論文 参考訳（メタデータ） (2026-04-13T02:12:17Z) - HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。
Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。
ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-24T14:05:29Z) - IGMiRAG: Intuition-Guided Retrieval-Augmented Generation with Adaptive Mining of In-Depth Memory [33.00642870872058]
Retrieval-augmented Generation (RAG)は、信頼性の高い知識メモリを備えた大規模言語モデルである。
近年の研究では、グラフとハイパーグラフをRAGに統合し、構造化リンクとしてペアとマルチエンタリティの関係を捉えている。
我々は人間の直観誘導推論に触発されたIGMiRAGを提案する。
論文 参考訳（メタデータ） (2026-02-07T12:42:31Z) - MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。
MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。
4つのベンチマーク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） (2026-01-13T18:51:16Z) - Cost-Aware Contrastive Routing for LLMs [57.30288453580456]
我々は、プロンプトとモデルの両方を共有埋め込み空間にマッピングする軽量フレームワークであるコストスペクトルコントラストルーティング(CSCR)を紹介します。
CSCRはベースラインを一貫して上回り、精度とコストのトレードオフを最大25%改善した。
論文 参考訳（メタデータ） (2025-08-17T20:16:44Z) - NavTopo: Leveraging Topological Maps For Autonomous Navigation Of a Mobile Robot [1.0550841723235613]
トポロジマップと2段階の経路計画に基づく完全なナビゲーションパイプラインを提案する。
パイプラインは、入力ポイントクラウドのニューラルネットワーク記述子と2Dプロジェクションをマッチングすることで、グラフにローカライズする。
提案手法は,大規模な室内光相対論的シミュレーション環境でテストし,一般的な計量マッピング手法であるRTAB-MAPに基づく計量地図に基づく手法と比較する。
論文 参考訳（メタデータ） (2024-10-15T10:54:49Z) - Towards Interpretable Deep Local Learning with Successive Gradient Reconciliation [70.43845294145714]
グローバルバックプロパゲーション(BP)に対するニューラルネットワークトレーニングの信頼性の回復が、注目すべき研究トピックとして浮上している。
本稿では,隣接モジュール間の勾配調整を連続的に調整する局所的学習戦略を提案する。
提案手法はローカルBPとBPフリー設定の両方に統合できる。
論文 参考訳（メタデータ） (2024-06-07T19:10:31Z) - Topology-aware Embedding Memory for Continual Learning on Expanding Networks [63.35819388164267]
本稿では,メモリリプレイ技術を用いて,メモリ爆発問題に対処する枠組みを提案する。
Topology-aware Embedding Memory (TEM) を用いたPDGNNは最先端技術よりも優れている。
論文 参考訳（メタデータ） (2024-01-24T03:03:17Z) - Predicting Dense and Context-aware Cost Maps for Semantic Robot
Navigation [35.45993685414002]
本研究では,対象がセマンティックラベルで指定された未知環境における目標ナビゲーションの課題について検討する。
本稿では,意味的コンテキストを暗黙的に含む高コストマップを予測するために,ディープニューラルネットワークアーキテクチャとロス関数を提案する。
また、コストマップ予測のためのセマンティックなヒントを提供するために、アーキテクチャに中間レベルの視覚表現を融合する新しい方法を提案する。
論文 参考訳（メタデータ） (2022-10-17T11:43:19Z)
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。