論文の概要: OmniNav: Robust Long-Horizon Target Navigation in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2609.08159v1
- Date: Tue, 08 Sep 2026 02:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 19:25:55.804973
- Title: OmniNav: Robust Long-Horizon Target Navigation in Dynamic Environments
- Title（参考訳）: OmniNav: 動的環境におけるロバストな長距離目標ナビゲーション
- Abstract要約: 長距離目標ナビゲーションは、進化する観察、決定、物理的相互作用を越えてタスクの実行を維持するロボットを必要とする。
これには,有効なシーンメモリの維持,部分的な可観測性の下での目標信念の修正,対話可能なナビゲーションエンドポイントの選択という,3つの結合機能が必要です。
OmniNav は,タスク状態の後続結合シーンの妥当性,目標信念,インタラクション実現可能性について,時間軸ナビゲーションを連続的推論として定式化する。
- 参考スコア（独自算出の注目度）: 22.177088582117324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon target navigation requires a robot to sustain task execution across evolving observations, decisions, and physical interactions. This requires three coupled capabilities: maintaining valid scene memory, revising target beliefs under partial observability, and selecting interaction-feasible navigation endpoints. However, the state underlying each capability is only conditionally valid: scene representations become stale when objects move or disappear, unsuccessful searches alter beliefs over target locations, and geometrically convenient endpoints may still be infeasible for manipulation. To address these challenges, we present OmniNav, which formulates long-horizon navigation as continual inference over a factorized task state posterior coupling scene validity, target belief, and interaction feasibility. For representation, OmniNav incrementally constructs an updatable 3D object scene memory, preventing stale scene evidence from propagating to subsequent decisions. For exploration, it introduces an evidence-aware Bayesian belief-revision mechanism that derives dependency-aware region priors from semantic context, incorporates unsuccessful searches as negative evidence, and updates them for posterior-guided frontier selection. For interaction, OmniNav incorporates manipulation reachability and collision constraints into navigation-endpoint selection and propagates execution feedback through hierarchical closed-loop recovery. Extensive experiments demonstrate that OmniNav achieves the highest success rates among the compared methods on semantic ObjectNav and fine-grained instance navigation benchmarks, remains robust to target relocation, and improves real-world pick-and-place success from 53.3% to 71.7% over an adapted open-loop baseline. The project page of OmniNav is available at https://omni-nav.github.io/.
- Abstract（参考訳）: 長距離目標ナビゲーションは、進化する観察、決定、物理的相互作用を越えてタスクの実行を維持するロボットを必要とする。
これには,有効なシーンメモリの維持,部分的な可観測性の下での目標信念の修正,対話可能なナビゲーションエンドポイントの選択という,3つの結合機能が必要です。
しかし、それぞれの能力の根底にある状態は条件付きでのみ有効であり、オブジェクトの移動や消失時にシーン表現が不安定になり、探索が失敗するとターゲット位置に対する信念が変化し、幾何学的に便利なエンドポイントは操作に役立ちません。
これらの課題に対処するため,OmniNavを提案する。OmniNavは,因果的タスク状態の後続結合シーンの妥当性,目標信念,インタラクション実現可能性について,長期ナビゲーションを連続的推論として定式化する。
表現のために、OmniNavはアップダブルな3Dオブジェクトシーンメモリを段階的に構築し、古いシーンの証拠がその後の決定に伝播することを防ぐ。
探索には、意味的文脈から依存性を意識した領域を先導するエビデンスを意識したベイズ的信念修正機構を導入し、失敗する探索を否定的なエビデンスとして組み入れ、それらを後述のフロンティア選択に更新する。
インタラクションのために、OmniNavは操作の到達性と衝突の制約をナビゲーションとエンドポイントの選択に取り入れ、階層的なクローズドループリカバリを通じて実行フィードバックを伝搬する。
大規模な実験により、OmniNavは、セマンティックなObjectNavときめ細かいインスタンスナビゲーションベンチマークの比較方法の中で、最も成功率が高いことを証明し、ターゲットの移動に頑健であり、適応されたオープンループベースラインよりも実世界のピック・アンド・プレースの成功率を53.3%から71.7%に改善している。
OmniNavのプロジェクトページはhttps://omni-nav.github.io/で公開されている。
関連論文リスト
- Scaffolding Foundation Models into Physical-World Agents Pushes the Frontier of Long-Horizon Navigation [52.90741218586653]
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。
論文 参考訳（メタデータ） (2026-08-31T07:50:16Z) - LifelongCrossNav: Persistent 3D Semantic Memory for Cross-Floor Multi-Object Navigation [9.284792832233]
LifelongCrossNavは、未知のマルチフロア屋内環境において、シーケンシャルなマルチオブジェクトObjectNavのためのフレームワークである。
LifelongCrossNavは、HM3D-MFMON上で、永続的なセマンティックマップベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-07T10:31:20Z) - 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) - IntentNav: Learning Spatial-Visual Object Navigation from Human Demonstrations [58.921283404811085]
我々は,人間のようなObjectNavポリシーを人間のデモから学習するフレームワークを提案する。
IntentNavはMP3D、HM3D-v1、HM3D-v2 ObjectNav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） (2026-06-06T07:45:19Z) - ConsistNav: Closing the Action Consistency Gap in Zero-Shot Object Navigation with Semantic Executive Control [20.155796585668607]
ConsistNavは、トレーニング不要のゼロショットObjectNavフレームワークで、3つの調整済みモジュールからなるセマンティックエグゼクティブを中心に構築されている。
我々はHM3DとMP3Dの実験を行い、ConsistNavは結果を達成し、SRを11.4%改善し、SPLを7.9%改善した。
論文 参考訳（メタデータ） (2026-05-11T01:51:45Z) - Stop Wandering: Efficient Vision-Language Navigation via Metacognitive Reasoning [12.880792990007244]
トレーニングフリーのビジョンランゲージナビゲーション(VLN)エージェントは、指示に従って3D環境を探索することができる。
既存のアプローチは、強欲なフロンティア選択と受動的空間記憶に依存している。
本稿では,空間記憶,履歴認識計画,反射補正を統合したメタ認知ナビゲーションエージェントMetaNavを提案する。
論文 参考訳（メタデータ） (2026-04-02T17:58:08Z) - 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) - 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) - Explore before Moving: A Feasible Path Estimation and Memory Recalling
Framework for Embodied Navigation [117.26891277593205]
ナビゲーションに焦点をあて,経験や常識に欠ける既存のナビゲーションアルゴリズムの問題を解決する。
移動前に2回思考する能力に触発されて、不慣れな場面で目標を追求する実現可能な経路を考案し、パス推定とメモリリコールフレームワークと呼ばれる経路計画手法を提案する。
EmbodiedQAナビゲーションタスクにおけるPEMRの強力な実験結果を示す。
論文 参考訳（メタデータ） (2021-10-16T13:30:55Z)
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。