Fugu-MT 論文翻訳(概要): HarnessVLN: Unifying Training-Free Embodied Navigation through an Agent Harness

論文の概要: HarnessVLN: Unifying Training-Free Embodied Navigation through an Agent Harness

arxiv url: http://arxiv.org/abs/2609.15195v1
Date: Mon, 14 Sep 2026 08:15:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.184158
Title: HarnessVLN: Unifying Training-Free Embodied Navigation through an Agent Harness
Title（参考訳）: HarnessVLN:エージェントハーネスによるトレーニング不要の身体的ナビゲーションの統合
Abstract要約: 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。
参考スコア（独自算出の注目度）: 30.61739879302674
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Embodied navigation requires agents to interpret visual observations, accumulate spatial knowledge, and execute actions to follow instructions or locate objects. Training-based methods face generalization challenges, while training-free methods exploit multimodal large language models (MLLMs) but often lack mechanisms to reconcile proposed actions with spatial evidence, task progress, and execution failures. We present HarnessVLN, a zero-shot, training-free framework whose Agent Harness coordinates perception, retrieval, grounding, navigation, recovery, and termination through a unified tool interface. The Harness validates planner proposals against spatial evidence, geometric feasibility, and subgoal consistency, incorporating structured tool feedback into subsequent decisions. Hierarchical event memory tracks task progress and execution history, while a persistent Spatiotemporal Graph maintains reusable spatial evidence and failure annotations for verification and recovery. A replaceable Navigation Executor converts validated targets into executable motions, allowing the same Harness protocol to support instruction-following and object-goal navigation. HarnessVLN achieves success rates of 60.8%, 53.9%, 76.0%, and 59.3% on R2R, RxR, HM3D-v2, and HM3D-OVON, respectively, surpassing prior training-free SOTA results. Humanoid deployment further demonstrates its applicability to both tasks in real-world environments. The project page is: https://harnessvln.netlify.app/.
Abstract（参考訳）: 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。トレーニングベース手法は一般化の課題に直面し、トレーニングフリー手法はマルチモーダルな大規模言語モデル(MLLM)を利用するが、しばしば空間的エビデンス、タスクの進捗、実行失敗で提案された行動を調整するメカニズムを欠いている。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。ハーネスは、空間的証拠、幾何学的実現可能性、および部分的一貫性に対するプランナーの提案を検証し、構造化されたツールフィードバックをその後の決定に取り入れた。階層的なイベントメモリはタスクの進捗と実行履歴を追跡し、永続的な時空間グラフは検証とリカバリのための再利用可能な空間的エビデンスと障害アノテーションを保持します。代替可能なNavigation Executorは、検証済みのターゲットを実行可能なモーションに変換し、同じHarnessプロトコルで命令追従とオブジェクトゴールナビゲーションをサポートする。 HarnessVLNは、R2R、RxR、HM3D-v2、HM3D-OVONにおいて、60.8%、53.9%、76.0%、59.3%の成功率を達成した。 Humanoidデプロイメントはさらに、実環境における両方のタスクへの適用性を実証している。プロジェクトページは以下のとおりである。

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)
STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation [17.685326212060716]
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。
論文参考訳（メタデータ） (2026-08-28T12:42:16Z)
Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
論文参考訳（メタデータ） (2026-08-18T08:37:08Z)
PRIMAL3: Pathfinding via Reinforcement and Imitation Multi-Agent Learning - Leveraging LaCAM3 [19.66694371656982]
PRIMAL3はマルチエージェントパスフィンディング(MAPF)のための超大規模フレームワーク強化学習、トポロジ対応通信、LaCAM3誘導訓練、PIBTベースの行動改善を統合している。実験により、PRIMAL3は最先端の学習ベースラインを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2026-08-05T14:33:59Z)
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)
ReMemNav: A Rethinking and Memory-Augmented Framework for Zero-Shot Object Navigation [35.416693138335354]
ゼロショットオブジェクトナビゲーションでは、エージェントは未知のターゲットオブジェクトを未知の環境で見つける必要がある。視覚言語モデルの最近の進歩は、このタスクに有望な常識推論機能を提供する。本稿では,パノラマ的セマンティック先行とエピソード記憶をシームレスに統合するReMemNavという新しい階層型ナビゲーションフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-25T09:07:32Z)
Detect Anything via Next Point Prediction [51.55967987350882]
Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
論文参考訳（メタデータ） (2025-10-14T17:59:54Z)
Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文参考訳（メタデータ） (2025-09-11T17:59:07Z)
Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation [54.04601077224252]
身近なシーン理解には、視覚空間情報の理解だけでなく、3D物理世界における次の探索場所の決定も必要である。アンダーラインテキストbf3D視覚言語学習は、エンボディエージェントが環境を効果的に探索し理解することを可能にする。モデルの汎用性は、カテゴリ、言語記述、参照イメージなど、多様な入力モダリティを使ったナビゲーションを可能にする。
論文参考訳（メタデータ） (2025-07-05T14:15:52Z)
Improving Target-driven Visual Navigation with Attention on 3D Spatial Relationships [52.72020203771489]
3次元屋内シーンにおける深部強化学習(DRL)を用いた目標駆動型視覚ナビゲーションについて検討した。提案手法は視覚特徴と3次元空間表現を組み合わせてナビゲーションポリシーを学習する。 AI2-THORで実施した我々の実験は、SRとSPLの指標において、モデルがベースラインを上回っていることを示している。
論文参考訳（メタデータ） (2020-04-29T08:46:38Z)

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。