論文の概要: Beyond Spatial Benchmarks: From Spatial Reasoning to Navigation
- arxiv url: http://arxiv.org/abs/2609.29934v1
- Date: Thu, 24 Sep 2026 15:01:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.036272
- Title: Beyond Spatial Benchmarks: From Spatial Reasoning to Navigation
- Title（参考訳）: 空間的ベンチマークを超えて:空間的推論からナビゲーションへ
- Abstract要約: 既存のベンチマークでは、ダウンストリームナビゲーションへの接続が少なく、画像やビデオから分離された推論をテストする。
本分析により,ベンチマーク指向の空間特殊化とナビゲーション性能のギャップが明らかになった。
本研究では,空間的事前条件付き教師が接地された行動嗜好を生成し,それを学生政策に蒸留する空間NPDを紹介する。
我々の8Bモデルは、HM3D-v0.2で77.4/35.4、HM3D-v0.1で60.2/30.5、MP3Dで47.9/20.6のSR/SPLに達する。
- 参考スコア（独自算出の注目度）: 34.262959899941755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Does progress on spatial reasoning benchmarks translate into better navigation? Existing benchmarks test isolated inferences from images or videos, with little connection to downstream navigation. Our analysis reveals a gap between benchmark-oriented spatial specialization and navigation performance, and shows how aligning spatial supervision with navigation goals, phases, and decision learning improves navigation. Guided by these findings, we build \textsc{Spatial-Nav-100K} and fine-tune in two stages, \textit{i.e.} first learning a shared spatial-navigation foundation, and then specializing each phase with the abilities it relies on. We further introduce Spatial-NPD, where a teacher conditioned on spatial priors produces grounded action preferences and distills them into a student policy, so no explicit spatial reasoning is needed at inference. With 45 A100 GPU-hours of policy training, our 8B model reaches SR/SPL of 77.4/35.4 on HM3D-v0.2, 60.2/30.5 on HM3D-v0.1, and 47.9/20.6 on train-unseen MP3D. It outperforms several systems that rely on closed-source models or thousands of GPU-hours of training, at 148 ms per action step. All code and datasets will be publicly available at https://github.com/ylwhxht/Spatial-Nav.
- Abstract（参考訳）: 空間推論ベンチマークの進歩はより良いナビゲーションに変換されるか?
既存のベンチマークでは、ダウンストリームナビゲーションへの接続がほとんどなく、画像やビデオから分離された推論をテストする。
本分析により, 空間的特殊化とナビゲーション性能の差が明らかとなり, ナビゲーション目標, フェーズ, 決定学習との空間的監督の整合がナビゲーションをいかに改善するかが明らかとなった。
これらの知見に導かれて,まず共有空間ナビゲーション基盤を学習し,各フェーズに依存する能力を備えたファインチューンとファインチューンを2段階に構築する。
さらに,空間的事前条件付き教師が接地された行動嗜好を生成し,それを学生政策に蒸留する空間的NPDを導入することにより,推論時に空間的推論は不要となる。
HM3D-v0.2は77.4/35.4、HM3D-v0.1は60.2/30.5、MP3Dは47.9/20.6である。
クローズドソースモデルや数千のGPU時間トレーニングに依存するシステムを、アクションステップあたり148msで上回る。
すべてのコードとデータセットはhttps://github.com/ylwhxht/Spatial-Nav.comで公開される。
関連論文リスト
- NaviScale: Generating Large-Scale Semantic Map Datasets for Object Navigation [38.804758702458166]
意味マップに基づくオブジェクトナビゲーション(ObjectNav)のためのNaviScaleを提案する。
このフレームワークは,MP3DとHM3DSemから抽出した部屋レベルの意味と障害物マップを用いて,実家のフロアプランを構成することで,大規模な意味マップトレーニングデータを生成する。
得られたデータセットには、12,794のプロパティに関連する24,000のフロアプランから生成される192,000のセマンティックマップが含まれている。
論文 参考訳（メタデータ） (2026-09-23T01:30:26Z) - SparseNav: Instruction-conditioned Sparse Semantic Perception for Training-Free Vision-Language Navigation [5.542420543782519]
SparseNavは、セマンティックナビゲーションのより少ない原則に従う、トレーニング不要のフレームワークである。
SparseNavは、軽量な幾何学鳥眼ビュー(BEV)マップとスパースランドマークメモリを持続的に維持する。
命令条件付きウェイポイントナビゲーションを用いて,複数の屋内環境にまたがる実効性を検証した。
論文 参考訳（メタデータ） (2026-09-22T13:41:49Z) - LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。
ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
論文 参考訳（メタデータ） (2026-08-31T15:08:53Z) - Learning to Navigate Efficiently with Only 0.58M Trainable Parameters [12.68304107799412]
既知の閉形式構造を持つ操作を解析的に計算し、3つの小さな学習モジュール間のインタフェースとして機能するナビゲーションモデルを提案する。
このシステムは、合計22.7Mパラメータのうちわずか0.58Mを1時間未満で44kフレームでトレーニングするが、ナビゲーションタスクの最先端モデルの性能にアプローチする。
論文 参考訳（メタデータ） (2026-07-13T02:49:55Z) - SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。
このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。
R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
論文 参考訳（メタデータ） (2026-06-08T03:42:08Z) - 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) - FeudalNav: A Simple Framework for Visual Navigation [7.136542835931238]
ナビゲーション決定過程を複数のレベルに分解する階層的なフレームワークを開発する。
提案手法は,簡単な経路選択ネットワークを通じてサブゴールを選択することを学習する。
トレーニングや推論にオドメトリを使わずに,Habitat AI環境におけるSOTA手法のスイートによる競合結果を示す。
論文 参考訳（メタデータ） (2026-01-15T22:10:29Z) - Co-SemDepth: Fast Joint Semantic Segmentation and Depth Estimation on Aerial Images [0.9883261192383611]
本稿では,空飛ぶロボットの単眼カメラを用いて,非構造環境における深度とセマンティックマップの予測を行う。
本稿では,2つのタスクを正確かつ迅速に実行可能な共同ディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-03-23T08:25:07Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z)
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。