論文の概要: Finder: Agentic Closed-Loop Object Finding for Embodied Grounding

• arxiv url: http://arxiv.org/abs/2609.18058v1
• Date: Wed, 16 Sep 2026 03:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.619903
• Title: Finder: Agentic Closed-Loop Object Finding for Embodied Grounding
• Title（参考訳）: Finder: 身体的接地のためのエージェントクローズドループオブジェクト発見
• Abstract要約: エンボディグラウンド化のためのエージェントクローズドループオブジェクトフィニングプリミティブであるFinderを提案する。 Finderは、クエリ条件のプランニング、スコープ化されたエビデンス収集、候補検証、accept/continue/abortコントロールをリンクする型付きループ状態を維持している。 Habitat/HM3Dや現実世界のRGB-Dシーンで、オープン語彙を具現化したObject Retrievalでは、Finderは強力なベースラインよりも平均1mの成功率を15.75ポイント向上させる。
• 参考スコア（独自算出の注目度）: 13.050829073263563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding the object referred to by language in a partially observed 3D scene is a core capability for embodied agents. Existing approaches either couple object search with online exploration, which can be costly when relevant observations have already been captured, or query pre-built open-vocabulary maps and scene graphs in a static, one-shot fashion. We present Finder, an agentic closed-loop object-finding primitive for embodied grounding. Instead of treating grounding as passive retrieval from a fixed scene representation, Finder maintains a typed loop state that links query-conditioned planning, scoped evidence gathering, candidate verification, and accept/continue/abort control. When evidence is incomplete or ambiguous, the loop can redirect subsequent perception and comparison rather than simply returning the top retrieved object. On open-vocabulary embodied Object Retrieval in Habitat/HM3D and real-world RGB-D scenes, Finder improves the averaged 1m success rate by 15.75 points over strong baselines. The same primitive also transfers to sequential object grounding and embodied object-centric question answering, improving spatial and temporal localization without changing the inner grounding protocol. Project page: https://finder-vln.github.io.
• Abstract（参考訳）: 部分的に観察された3Dシーンで言語によって参照されるオブジェクトを見つけることは、エンボディドエージェントのコア能力である。 既存のアプローチは2つのオブジェクト検索とオンライン探索で、関連する観測結果がすでに取得されている場合、コストがかかるか、あるいは静的でワンショットで構築されたオープン語彙マップとシーングラフをクエリする。 エンボディグラウンド化のためのエージェントクローズドループオブジェクトフィニングプリミティブであるFinderを提案する。 グラウンディングを固定されたシーン表現からの受動的検索として扱う代わりに、Finderはクエリ条件のプランニング、スコープ化されたエビデンス収集、候補検証、アクセプション/継続/吸収制御をリンクする型付きループ状態を維持している。 証拠が不完全または曖昧である場合、ループは後続の知覚と比較を単にトップ検索されたオブジェクトを返すのではなくリダイレクトすることができる。 Habitat/HM3Dや現実世界のRGB-Dシーンで、オープン語彙を具現化したObject Retrievalでは、Finderは強力なベースラインよりも平均1mの成功率を15.75ポイント向上させる。 同じプリミティブは、内部接地プロトコルを変更することなく、逐次的対象接地と具体的対象中心質問応答に転送し、空間的および時間的局所性を改善する。 プロジェクトページ: https://finder-vln.github.io

関連論文リスト

• Context-Nav: Context-Driven Exploration and Viewpoint-Aware 3D Spatial Reasoning for Instance Navigation [4.039245878626346]
  Text-goal instance navigation (TGIN)は、エージェントに単一の自由形式の記述を正しいオブジェクトインスタンスに到達するアクションに解決するよう要求する。 局所的なキューからグローバルな探索までの長い文脈的キャプションを増大させるtextitContext-Navを提案する。
  論文  参考訳（メタデータ） (2026-03-10T11:08:35Z)
• On Extending Semantic Abstraction for Efficient Search of Hidden Objects [0.0]
  このフレームワークは、隠されたオブジェクトの排他的ドメインに対する3Dローカライゼーションと完了の学習に使用します。 本モデルでは,最初の試みにおいて,隠れた物体の完全な3次元位置を,無作為なランダム探索よりもはるかに高速に同定することができる。
  論文  参考訳（メタデータ） (2025-12-22T20:25:19Z)
• ChangingGrounding: 3D Visual Grounding in Changing Scenes [92.00984845186679]
  現実世界のロボットは自然言語からオブジェクトをローカライズするが、周囲のシーンは変化し続けている。 既存の3Dビジュアルグラウンドティング(3DVG)手法のほとんどは、再構築された最新の点雲を前提としている。 エージェントが過去の観測をいかにうまく活用できるかを明示的に測定する最初のベンチマークであるChangeingGroundingを紹介します。
  論文  参考訳（メタデータ） (2025-10-16T17:59:16Z)
• ObjectGS: Object-aware Scene Reconstruction and Scene Understanding via Gaussian Splatting [54.92763171355442]
  ObjectGSは3Dシーンをセマンティックな理解と統合するオブジェクト認識フレームワークである。 我々はObjectGSがオープンボキャブラリやパン光学のセグメンテーションタスクにおいて最先端の手法より優れていることを示す実験を通して示す。
  論文  参考訳（メタデータ） (2025-07-21T10:06:23Z)
• DORT: Modeling Dynamic Objects in Recurrent for Multi-Camera 3D Object Detection and Tracking [67.34803048690428]
  本稿では、この問題を解決するためにRecurrenT(DORT)の動的オブジェクトをモデル化することを提案する。 DORTは、重い計算負担を軽減する動き推定のために、オブジェクトワイズローカルボリュームを抽出する。 フレキシブルで実用的で、ほとんどのカメラベースの3Dオブジェクト検出器に差し込むことができる。
  論文  参考訳（メタデータ） (2023-03-29T12:33:55Z)
• LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
  LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。 提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:21:34Z)
• TIDEE: Tidying Up Novel Rooms using Visuo-Semantic Commonsense Priors [29.255373211228548]
  TIDEEは、学習されたコモンセンスオブジェクト配置と部屋配置に基づいて、混乱したシーンをタイディーアップする。 TIDEEは、ホーム環境を探索し、自然の場所から外れたオブジェクトを検出し、それらに対して妥当なオブジェクトコンテキストを推測し、現在のシーンでそのようなコンテキストをローカライズし、オブジェクトを再配置する。 我々は,AI2THORシミュレーション環境における非編成シーンのタイピングについてTIDEEを検証した。
  論文  参考訳（メタデータ） (2022-07-21T21:19:18Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)

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。