論文の概要: Deploying Foundation Models for Embodied Navigation

• arxiv url: http://arxiv.org/abs/2609.25666v1
• Date: Tue, 22 Sep 2026 04:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.219797
• Title: Deploying Foundation Models for Embodied Navigation
• Title（参考訳）: 身体的ナビゲーションのための基礎モデルの展開
• Abstract要約: ナビゲーションを行うエージェントにファンデーションモデル(FM)を配置する際の2つの問題に対処する。 まず,FMを用いたEmbodied Navigationで既存の文献を分類し,その限界を強調した。 次に、制限に対処するために、Transit-Aware Planning (TAP)とMemCtrlというアプローチを提示します。
• 参考スコア（独自算出の注目度）: 53.44122827359892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present and tackle two problems associated with deploying Foundation Models (FMs) on Embodied Agents performing navigation: 1) Training bias in FMs leading to poor personalization in unseen environments, and 2) Limited FM context length hindering success, especially on long horizon tasks. Our solution for the former involves priming the FM with human-habit data mined from the scene and our solution for the latter involves active memory management via a novel `memory head' augmentation. We first present a taxonomy of existing literature on FM-based Embodied Navigation, and highlight these limitations. We then present our approaches, Transit-Aware Planning (TAP) and MemCtrl to address the limitations. With TAP, we present real-world results in a lab environment with a Turtlebot for personalized target finding that shows an average improvement of 18% over a non-TAP baseline. On MemCtrl, we report a 6% average improvement across various embodied tasks, with 20% on long instruction subsets, all while using nearly half the context used in the baseline model. Motivated by these result, we present our stance the deployability of FM-based embodied agents in real-world environments, and highlight open research directions.
• Abstract（参考訳）: 我々は、ナビゲーションを行う身体エージェントにファンデーションモデル(FM)を配置する際の2つの問題に取り組み、対処する。 1)FMのトレーニングバイアスは、目に見えない環境でのパーソナライゼーションの低下につながる。 2) FMコンテキスト長の制限は成功を妨げる。 前者にとっての解決策は、現場から抽出した人為的なデータでFMをプリミレーションすることであり、後者のソリューションは、新しい「メモリヘッド」拡張によるアクティブなメモリ管理である。 まず,FMを用いたEmbodied Navigationで既存の文献を分類し,その限界を強調した。 次に、制限に対処するために、Transit-Aware Planning (TAP)とMemCtrlというアプローチを提示します。 TAPでは,Turtlebotを用いた実験室環境において,TAP以外のベースラインよりも平均18%改善したターゲット探索を行う。 MemCtrlでは、ベースラインモデルで使用されるコンテキストの半分近くを使用しながら、様々な具体的タスクに対して平均6%の改善を行い、長い命令サブセットで20%向上したと報告している。 これらの結果から,実環境におけるFMを用いたエンボディエージェントの展開可能性を示すとともに,オープンな研究の方向性を明らかにする。

関連論文リスト

• Uncertainty and Generalizability in Foundation Models for Earth Observation [1.3654846342364308]
  我々は,特定の関心領域(AOI)において,限られたラベル付け予算で下流タスク(植生被覆の推定など)を設計したいという視点を採っている。 既存のファンデーションモデル(FM)を利用することで、異なるがラベルに富んだAOIで下流モデルをトレーニングするかどうかを判断する必要があります。 本研究では,Sentinel 1 または Sentinel 2 の8つの既存のFMを入力データとして,ESA World Cover 製品からのクラスを下流タスクとして,大規模なアブレーション研究を行う。
  論文  参考訳（メタデータ） (2024-09-13T11:52:16Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• Masked Path Modeling for Vision-and-Language Navigation [41.7517631477082]
  ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)エージェントは、自然言語の指示に従うことで現実世界の環境をナビゲートするように訓練されている。 以前のアプローチでは、トレーニング中に追加の監督を導入することでこの問題に対処しようと試みていた。 本稿では,下流ナビゲーションタスクに自己コンパイルデータを用いてエージェントを事前訓練する,マスク付きパスモデリング(MPM)手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T17:20:20Z)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。