論文の概要: NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime

• arxiv url: http://arxiv.org/abs/2610.10787v2
• Date: Mon, 12 Oct 2026 08:50:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.609573
• Title: NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime
• Title（参考訳）: NavGPT-3:階層的ナビゲーションランタイムにおけるコンテキストのハーネス化
• Abstract要約: 言語モデルとOSライクなランタイムを接続するハーネスであるNavGPT-3を紹介する。 アクションポリシー NavGPT VLAは、19.28Mの例に基づいて訓練され、シーンの変化に比例して、アロケーションを使用して視覚トークンを割り当てます。 完全なハーネスで、NavGPT-3はR2R-CEに芸術の状態を設定し、自律的なエージェントを人間レベルに持ち込む。
• 参考スコア（独自算出の注目度）: 66.14176202476176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language models trained with long-horizon agentic reinforcement learning can generalize knowledge through reasoning, express precise actions, and pursue goals over many steps, raising the ceiling on what an embodied agent can understand and decide. Physical interaction, however, remains the domain of action policies, which provide dense, low-latency control. We present NavGPT-3, a harness that connects the two models, with an OS-like runtime built above it: reasoning, acting, and monitoring run as threads with their own context, tools, and permissions, while the runtime schedules them and decides which thread controls the robot's motion, so that the robot can react to sudden real-world events through interruption and thread switching. Beneath it, our action policy NavGPT VLA, trained on 19.28M examples, allocates visual tokens using codec allocation, in proportion to scene change; its 8B model alone reaches 76.94 SR on R2R-CE and leads RxR-CE with 82.39 SR. With the complete harness, NavGPT-3 sets the state of the art on R2R-CE (81.51 SR) and, for the first time, brings an autonomous agent to human level: on RxR-CE it matches human followers in success (90.43 vs. 90.4 SR) and path fidelity (78.47 vs. 77.7 nDTW) at 1 min 22 s per episode, versus roughly 3 min for a human. We comprehensively ablate the harness design and the interaction between the two models, showing how tools and the action policy shape the path from language-model reasoning to physical control: when NavGPT VLA executes the route, the reasoning loop shortens and the system's minimum reaction time falls from 3-19 s per language-model decision to 0.5-1 s per action-policy step (1-2 Hz). These results show that designing this embodied interface is central to connecting frontier language-model intelligence with low-level physical control. We will release all models, code, and evaluation records.
• Abstract（参考訳）: ロングホライズンエージェント強化学習で訓練された言語モデルは、推論、精密な行動の表現、多くのステップでの目標追求を通じて知識を一般化し、具体的エージェントが理解し、決定できるものへの天井を高くすることができる。 しかし、物理相互作用は、密度の高い低レイテンシ制御を提供するアクションポリシーの領域のままである。 NavGPT-3は2つのモデルを接続するハーネスであり、その上に構築されたOSライクなランタイムである。それぞれのコンテキスト、ツール、パーミッションで実行されているスレッドを推論、動作、監視する一方、ランタイムはそれらをスケジュールし、どのスレッドがロボットの動きを制御するかを決定し、ロボットが割り込みやスレッドの切り換えによって突然の現実世界のイベントに反応できるようにします。 アクションポリシーであるNavGPT VLAは、19.28Mの例に基づいてトレーニングされ、シーンの変化に比例してコーデックアロケーションを使用して視覚トークンを割り当てています。 完全なハーネスによって、NavGPT-3はR2R-CE (81.51 SR)に最先端の技術をセットし、初めて人間のレベルに自律的なエージェントをもたらす:RxR-CEでは、人間のフォロワー(90.43対90.4 SR)とパスの忠実度(78.47対77.7 nDTW)を1回当たり1分22秒で一致させる。 NavGPT VLAが経路を実行すると、推論ループが短くなり、システムの最小反応時間が言語モデル毎の3-19秒からアクション政治段階(1-2Hz)あたり0.5-1秒に減少する。 これらの結果から,この具体化インタフェースの設計は,フロンティア言語モデルインテリジェンスと低レベル物理制御との接続の中心であることが示された。 すべてのモデル、コード、評価レコードをリリースします。

関連論文リスト

• ASENA: Self-evolving Agents for Embodied Navigation [84.64998230277466]
  ASENAは汎用コーディングエージェントをロボットセンシング、計算、教師付き実行、永続的な体験に接続する。 独立政策としてASENA-VLNはR2Rで68.7%、RxRで70.2%という最先端の成功率を達成した。
  論文  参考訳（メタデータ） (2026-09-30T07:53:50Z)
• HarnessPAI: An Evolving Harness for Physical AI [64.91964104275483]
  本稿では,物理AIのためのモデルおよび具体化に依存しないフレームワークであるHarnessPAIを紹介する。 ロールアウト内では、プログラムレベルでオープンループを実行する。 デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、そして歩行エージェントのHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を改善している。
  論文  参考訳（メタデータ） (2026-09-24T07:40:00Z)
• AR-WAM: A Visual-Conditioned Agent-Ready World Action Model for Robotic Manipulation [31.9606890046955]
  視覚-言語-アクションモデルと世界アクションモデルはまだ操作タスクを指定するために自然言語命令に依存している。 本稿では、言語を2つの相補的な条件で置き換える視覚条件付きエージェント対応世界アクションモデルAR-WAMを提案する。 RoboTwin 2.0、RMBench、および本物のAstribot S1デュアルアームプラットフォームでは、AR-WAMは標準操作における最強のベースラインと一致する。
  論文  参考訳（メタデータ） (2026-09-20T11:55:26Z)
• StellaVLA: In-Context Structured Demonstration for Generalizable Vision-Language-Action Models [37.45050514108603]
  本稿では,検索した1つのデモを条件付けして,テスト時に適応するフレームワークであるStellaVLAを紹介する。 自動オフラインパイプラインは、各生の軌跡を、例えばタスクプラン、サブゴール記述、言語化された3Dモーションなどの構造化されたデモに変換する。 並列な二重訓練設計は、この推論を共同行動および言語目的を通じて内部化し、推論はアクションエキスパートのみを使用する。
  論文  参考訳（メタデータ） (2026-08-12T05:30:53Z)
• Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments [96.23886784364997]
  身体的な知性は、操作やナビゲーションといった個々のタスクのための特別なモデルを通してしばしば研究される。 本稿では,Qwenの視覚言語モデリングスタックを連続的な動作と軌道生成に拡張した統一的な基礎モデルであるQwen-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:36:31Z)
• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• Instruct2Act: From Human Instruction to Actions Sequencing and Execution via Robot Action Network for Robotic Manipulation [14.833622989644352]
  我々は、自然言語コマンドを信頼性の高い操作に変換する軽量で完全なオンデバイスパイプラインを開発した。 Instruct2Actは91.5%のサブアクション予測精度を達成し、フットプリントは小さい。 その結果, DATRNに基づく軌道生成と視覚誘導グラウンド化と相まって, 決定論的, リアルタイムな操作を行うための実践的な経路が得られた。
  論文  参考訳（メタデータ） (2026-02-10T16:25:39Z)

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。