論文の概要: EvoNav-Bench: Benchmarking Lifelong Navigation in Evolving Environments

• arxiv url: http://arxiv.org/abs/2609.08292v2
• Date: Mon, 14 Sep 2026 03:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:04.667809
• Title: EvoNav-Bench: Benchmarking Lifelong Navigation in Evolving Environments
• Title（参考訳）: EvoNav-Bench: 進化する環境での生涯ナビゲーションのベンチマーク
• Abstract要約: ライフロングナビゲーション(LN)は、同じ環境における一連のナビゲーションサブタスクを解決するために、エンボディエージェントを必要とする。 既存のアプローチは通常静止環境を仮定するが、現実のLN設定では、人間の活動が環境を進化させる可能性がある。 本稿では,GOAT-BenchスタイルのLN定式化を拡張したEvoNav-Benchについて述べる。
• 参考スコア（独自算出の注目度）: 8.253556291931014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lifelong navigation (LN) requires an embodied agent to solve a sequence of navigation subtasks in the same environment. Since solving each subtask from scratch incurs redundant exploration, an LN agent must consolidate experience from earlier stages and reuse it in later stages, often through persistent scene representations such as scene graphs or visual snapshots. However, existing approaches typically assume a stationary environment, whereas in real-world LN settings, human activities can cause the environment to evolve. With the stationary assumption violated, existing methods may fuse outdated prior observations with new observations, yet current benchmarks cannot reveal this failure mode. In this paper, we present EvoNav-Bench, which extends the GOAT-Bench style LN formulation in the context of evolving environments. Built on the ProcTHOR framework, EvoNav-Bench introduces environment modifications between navigation tasks, making prior experience useful but not fully reliable. This design enables controlled evaluation of how environment evolution affects LN agents that reuse prior scene observations. Using EvoNav-Bench, we benchmark three recent methods that build and reuse scene representations for navigation. We also compare three simple heuristic strategies for handling environment evolution: Frontier-Update, Fail-then-Update, and Stage-Reset. Our results show that existing methods are brittle under environment evolution, while the heuristic strategies enable a controlled analysis of how agents can adapt to scene changes and mitigate their impact.
• Abstract（参考訳）: ライフロングナビゲーション(LN)は、同じ環境における一連のナビゲーションサブタスクを解決するために、エンボディエージェントを必要とする。 スクラッチから各サブタスクを解くと冗長な探索が発生するため、LNエージェントは初期から経験を集約し、しばしばシーングラフやビジュアルスナップショットのような永続的なシーン表現を通じて後段で再利用する必要がある。 しかし、既存のアプローチでは静止環境を前提としているのに対し、現実のLN設定では、人間の活動は環境を進化させる可能性がある。 定常仮定に違反した場合、既存の手法は古い観測を新しい観測で融合させるが、現在のベンチマークではこの障害モードは明らかにできない。 本稿では,GOAT-BenchスタイルのLN定式化を拡張したEvoNav-Benchについて述べる。 ProcTHORフレームワーク上に構築されたEvoNav-Benchでは,ナビゲーションタスク間の環境変更が導入されている。 この設計により、環境の進化がシーン前の観察を再利用するLNエージェントに与える影響を制御できる。 EvoNav-Benchを用いて、ナビゲーションのためのシーン表現を構築し再利用する3つの手法をベンチマークする。 また、Frontier-Update、Fail-then-Update、Stage-Resetの3つの単純なヒューリスティック戦略を比較した。 以上の結果から,既存の手法は環境進化の過程で脆弱であり,ヒューリスティック戦略はエージェントが環境変化に適応し,その影響を軽減するための制御された分析を可能にした。

関連論文リスト

• User-Feedback-Driven Continual Adaptation for Vision-and-Language Navigation [50.51140007672333]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで複雑な環境をナビゲートする必要がある。 現在のGSA-VLNフレームワークは、環境暴露の繰り返しによる教師なし適応のみに依存するため、ユーザのフィードバックを除外している。 本稿では,GSA-VLNを拡張したユーザフィードバック型適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T06:11:45Z)
• NavMorph: A Self-Evolving World Model for Vision-and-Language Navigation in Continuous Environments [67.18144414660681]
  VLN-CE(Vision-and-Language Navigation in Continuous Environments)は、自然言語命令によって誘導される複雑な環境において、エージェントがシーケンシャルなナビゲーションアクションを実行する必要がある。 人間の認知にインスパイアされたNavMorphは、VLN-CEタスクにおける環境理解と意思決定を強化する自己進化型世界モデルフレームワークである。
  論文  参考訳（メタデータ） (2025-06-30T02:20:00Z)
• Spot the Difference: A Novel Task for Embodied Agents in Changing Environments [43.52107532692226]
  Embodied AIは、環境の中で動き、操作できるインテリジェントなエージェントを作ることを目指している。 本研究では,エージェントが時代遅れの環境マップにアクセス可能なEmbodied AIのための新しいタスクであるSpot the differenceを提案する。 本研究では,環境に関する過去の知見を活かし,既存のエージェントよりも迅速かつ効果的に現場の変化を識別する探索政策を提案する。
  論文  参考訳（メタデータ） (2022-04-18T18:30:56Z)
• Diagnosing the Environment Bias in Vision-and-Language Navigation [102.02103792590076]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従い、与えられた環境を探索し、所望の目標地点に到達する必要がある。 VLNを研究する最近の研究は、目に見えない環境でのテストでは、顕著なパフォーマンス低下を観察しており、ニューラルエージェントモデルがトレーニング環境に非常に偏っていることを示している。 本研究では, この環境バイアスの原因を探るため, 環境再分割と機能置換による新しい診断実験を設計する。
  論文  参考訳（メタデータ） (2020-05-06T19:24:33Z)
• Beyond the Nav-Graph: Vision-and-Language Navigation in Continuous Environments [48.898567402373324]
  本研究では,連続した3次元環境下での言語誘導ナビゲーションタスクの開発を行う。 連続的な環境に配置することで、この設定は以前の作業で暗黙的に多くの仮定を持ち上げる。
  論文  参考訳（メタデータ） (2020-04-06T17:49:12Z)
• 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)
• Counterfactual Vision-and-Language Navigation via Adversarial Path Sampling [65.99956848461915]
  VLN(Vision-and-Language Navigation)は、エージェントが目標を達成するために3D環境を移動する方法を決定するタスクである。 VLNタスクの問題点の1つは、対話型環境において、人間に注釈を付けた指示で十分なナビゲーションパスを収集することは困難であるため、データの不足である。 本稿では,低品質な拡張データではなく,効果的な条件を考慮可能な,対向駆動の反実的推論モデルを提案する。
  論文  参考訳（メタデータ） (2019-11-17T18:02:51Z)

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。