論文の概要: Seek Before You Move: Evidence Seeking for Progress Grounding in Vision-Language Navigation

• arxiv url: http://arxiv.org/abs/2609.37353v1
• Date: Tue, 29 Sep 2026 12:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.476568
• Title: Seek Before You Move: Evidence Seeking for Progress Grounding in Vision-Language Navigation
• Title（参考訳）: 移動前に見る:視覚・言語ナビゲーションの進歩を探るエビデンス
• Abstract要約: Vision-Language Navigation (VLN) では、エージェントが長い水平方向の指示と部分的な自我中心の観察からタスクの進捗を継続的に下方修正する必要がある。 既存のVLMベースのナビゲーションエージェントは、通常、利用可能な観測のみを推論し、タスク関連証拠が欠落している場合でも自信を保っている。 SeekVLNは,課題関連観測の積極的取得と意味的進捗推論を結合したエビデンス検索フレームワークである。
• 参考スコア（独自算出の注目度）: 34.31330349660828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language Navigation (VLN) requires agents to continuously ground task progress from long-horizon instructions and partial egocentric observations. Existing VLM-based navigation agents typically reason only over available observations and may remain confident even when task-relevant evidence is missing. For example, an agent may confidently proceed forward and get lost even though the landmark indicating the next turn lies outside its current field of view. We term this failure mode Progress Myopia: the agent fails to recognize unreliable progress grounding and continues acting on insufficient evidence. To address it, we propose SeekVLN, an evidence-seeking framework that couples semantic progress reasoning with active acquisition of task-relevant observations. SeekVLN is trained in two stages: First, Future-guided Reverse Generation (FRG) uses future expert actions to augment offline expert trajectories with supplementary views and evidence annotations. Supervised fine-tuning on these trajectories establishes a prior for evidence seeking and progress reasoning without additional expert interaction. However, imitation alone does not reveal whether seeking improves subsequent navigation. We therefore introduce Counterfactual Contrastive Policy Optimization (C2PO) for reinforcement fine-tuning. By comparing each evidence-seeking branch with a counterfactual direct-navigation branch from the same state, C2PO uses a contrastive reward to assign credit to seeking decisions based on subsequent navigation benefit. Experiments on simulated benchmarks show that SeekVLN achieves state-of-the-art performance, improving success rate by 12.7% and 7.5% over the base model on R2R-CE and RxR-CE, respectively. Both simulated and real-world evaluations exhibit human-like evidence-seeking behaviors for more reliable progress grounding.
• Abstract（参考訳）: Vision-Language Navigation (VLN) では、エージェントが長い水平方向の指示と部分的なエゴセントリックな観察からタスクの進捗を継続的に把握する必要がある。 既存のVLMベースのナビゲーションエージェントは、通常、利用可能な観測のみを推論し、タスク関連証拠が欠落している場合でも自信を保ち続ける。 例えば、エージェントは、次のターンを示すランドマークが現在の視野の外にあるとしても、自信を持って前進して失われる可能性がある。 エージェントは信頼できない進歩の根拠を認めず、不十分な証拠に基づいて行動し続けます。 課題関連観測の積極的獲得とセマンティック・プログレス・推論を結びつけるエビデンス検索フレームワークであるSeekVLNを提案する。 First, Future-Guided Reverse Generation (FRG)は、将来の専門家の行動を使用して、補助的なビューとエビデンスアノテーションでオフライン専門家の軌道を拡大します。 これらの軌道の微調整を監督することで、さらなる専門家の相互作用を伴わずに、証拠を探し、推論を進めていくための先駆けが確立される。 しかし、模倣だけでは、探索がその後のナビゲーションを改善するか否かは明らかにされていない。 そこで我々は,強化微調整のための対実コントラスト政策最適化(C2PO)を導入する。 C2POは、それぞれのエビデンス探索ブランチを、同一状態から反ファクト的なダイレクトナビゲーションブランチと比較することにより、その後のナビゲーション利益に基づいた意思決定にクレジットを割り当てるために、対照的な報酬を使用する。 シミュレーションベンチマークの実験では、SeekVLNは最先端のパフォーマンスを達成し、それぞれR2R-CEとRxR-CEのベースモデルよりも12.7%、成功率7.5%向上している。 シミュレーションと実世界の両方の評価は、より信頼性の高い進歩基盤のための人間のようなエビデンスを探す行動を示している。

関連論文リスト

• Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation [53.30116823667751]
  視覚言語ナビゲーションのためのテスト時適応(TTA-VLN)により、事前訓練されたポリシーは、目に見えない環境にオンラインで適応できる。 分散シフトは、局所的な行動選好を歪め、オフコース決定につながる可能性がある。 我々は,行動誘発観察遷移から署名付き参照関連決定クレジットを回収する信用誘導政策改善(CGPI)を提案する。
  論文  参考訳（メタデータ） (2026-09-29T13:46:11Z)
• Talk2Escape: Conversational Grounding for Vision-and-Language Navigation [22.81174149086155]
  textitTalk2Escapeは,ナビゲーションをクローズドループ対話プロセスとして再構成する対話処理フレームワークである。 生のエゴセントリックな観察を簡潔で根拠のあるクエリに翻訳し、アルゴリズムの託宣やループ内の人間からのターゲットの修正フィードバックを求める。 経験的に、textitTalk2EscapeはR2R-CE上で66.0%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-09-23T15:41:54Z)
• 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)
• Rethinking Embodied Navigation via Relational Inductive Bias [53.72276435022479]
  本稿では,DB-Navを提案する。 標的中心の関係を活性化バイアスと抑制バイアスに分類する。 成功率(SR)と成功率(SPL)はパス長さ(SPL)が重み付けされているため、既存の方法よりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-09T02:57:34Z)
• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• Does Peer Observation Help? Vision-Sharing Collaboration for Vision-Language Navigation [13.58746048033044]
  Vision-Language Navigation (VLN) システムは、部分的な可観測性によって基本的に制限されている。 本稿では,最小限のモデルに依存しないフレームワークであるCo-VLNを紹介する。
  論文  参考訳（メタデータ） (2026-03-21T12:59:31Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• Anticipating the Unseen Discrepancy for Vision and Language Navigation [63.399180481818405]
  視覚言語ナビゲーションでは、エージェントは特定のターゲットに到達するために自然言語命令に従う必要がある。 目に見える環境と目に見えない環境の間に大きな違いがあるため、エージェントがうまく一般化することは困難である。 本研究では,テストタイムの視覚的整合性を促進することによって,未知の環境への一般化を学習する,未知の離散性予測ビジョンと言語ナビゲーション(DAVIS)を提案する。
  論文  参考訳（メタデータ） (2022-09-10T19:04:40Z)

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。