論文の概要: SuperNav: An Agentic Navigation System for Any Task in Any Scene

• arxiv url: http://arxiv.org/abs/2610.12126v1
• Date: Thu, 08 Oct 2026 15:19:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.113416
• Title: SuperNav: An Agentic Navigation System for Any Task in Any Scene
• Title（参考訳）: SuperNav:どんな場面でも操作できるエージェントナビゲーションシステム
• Abstract要約: 汎用サービスロボットは、不慣れな環境で多様な人間の要求を処理できるナビゲーションシステムを必要とする。 SuperNavは、MLLMのナビゲーション固有の微調整なしで、特別なエージェントハーネスを備えた事前訓練されたMLLMを装備する。 SuperNavは、インスタンスレベル、マルチオブジェクト、要求駆動タスクで評価されたベースラインを4つ上回っている。
• 参考スコア（独自算出の注目度）: 87.46227831610359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose service robots need navigation systems that can handle diverse human requests in unfamiliar environments, combining task generality with scene generality. Some existing methods fine-tune multimodal large language models (MLLMs) to predict navigation actions, making their behavior dependent on the coverage of navigation training data and potentially limiting generalization to new requests and environments. Our key insight is to let the MLLM focus on interpreting requests, understanding scenes, and making decisions while preserving its general-purpose capabilities and delegating motion execution to navigation tools. To realize this idea, we introduce SuperNav, which equips a pretrained MLLM with a specialized agent harness without navigation-specific fine-tuning of the MLLM. Our harness supports these decisions with Navigation Skills, agent-oriented Tools for physical interaction, and task-progress and context management. A unified visual-point interface connects decision-making to motion by allowing the model to specify destinations directly in images and revise its decisions from execution feedback. Together, these components support sustained navigation across different task requirements and environments. SuperNav outperforms four evaluated baselines on instance-level, multi-object, and demand-driven tasks. Category-level evaluation on HM3D and deployment on a real quadruped robot further demonstrate its applicability across environments. Project Page: https://zju3dv.github.io/SuperNav/
• Abstract（参考訳）: 汎用サービスロボットは、タスクの汎用性とシーンの汎用性を組み合わせた、不慣れな環境で多様なヒューマンリクエストを処理できるナビゲーションシステムを必要とする。 いくつかの既存手法は、ナビゲーションアクションを予測するためにMLLM(Multimodal Large Language Model)を微調整し、ナビゲーショントレーニングデータのカバレッジに依存するようにし、新しい要求や環境への一般化を制限する可能性がある。 私たちの重要な洞察は、MLLMが要求の解釈、シーンの理解、意思決定に重点を置いて、汎用的な能力を維持しながら、動作実行をナビゲーションツールに委譲することです。 このアイデアを実現するために,プリトレーニングされたMLLMに,ナビゲーション固有のMLLMの微調整を伴わずに,特殊なエージェントハーネスを装備するSuperNavを導入する。 我々のハーネスは、ナビゲーションスキル、物理的インタラクションのためのエージェント指向ツール、タスクプログレスとコンテキスト管理によるこれらの決定をサポートする。 統合された視覚的ポイントインタフェースは、モデルが画像に直接宛先を指定し、実行フィードバックから決定を修正できるようにすることで、意思決定と動作を接続する。 これらのコンポーネントは、異なるタスク要件と環境をまたいだ持続的なナビゲーションをサポートする。 SuperNavは、インスタンスレベル、マルチオブジェクト、要求駆動タスクで評価されたベースラインを4つ上回っている。 HM3Dのカテゴリーレベルの評価と、実際の四足ロボットへの展開により、環境を越えた適用性がさらに証明される。 プロジェクトページ: https://zju3dv.github.io/SuperNav/

関連論文リスト

• 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)
• OpenFrontier: General Navigation with Visual-Language Grounded Frontiers [54.661157616245966]
  オープンワールドナビゲーションでは、複雑な日常環境においてロボットが意思決定を行う必要がある。 近年の視覚-言語ナビゲーション(VLN)と視覚-言語-アクション(VLA)モデルは、自然言語で条件付けられたエンドツーエンドのポリシーを実現する。 多様な視覚をシームレスに統合するトレーニングフリーナビゲーションフレームワークであるOpenFrontierを提案する。
  論文  参考訳（メタデータ） (2026-03-05T17:02:22Z)
• General-Purpose Robotic Navigation via LVLM-Orchestrated Perception, Reasoning, and Acting [5.291702442384798]
  Agentic Robotic Navigation Architecture (ARNA)は、LVLMベースのエージェントに知覚、推論、ナビゲーションツールのライブラリを装備する汎用フレームワークである。 実行時にエージェントは、現代のロボットスタックから引き出されたタスク固有のナビゲーションツールを自律的に定義し、実行します。 ARNAは最先端のEQA特異的アプローチより優れている。
  論文  参考訳（メタデータ） (2025-06-20T20:06:14Z)
• SayNav: Grounding Large Language Models for Dynamic Planning to Navigation in New Environments [14.179677726976056]
  SayNavは、Large Language Models(LLM)からの人間の知識を活用して、複雑なナビゲーションタスクを効率的に一般化する新しいアプローチである。 SayNavは最先端の結果を達成し、成功率の点で強烈な地道的な仮定でオラクルベースのベースラインを8%以上上回ります。
  論文  参考訳（メタデータ） (2023-09-08T02:24:37Z)
• Towards Versatile Embodied Navigation [120.73460380993305]
  ウィーンは多機能なエンボディナビゲーションエージェントであり、同時に4つのナビゲーションタスクを1つのモデルで実行することを学ぶ。 視覚的なナビゲーションタスクを個別に学習するのに対し、エージェントは複雑さを減らして同等またはそれ以上の性能を達成することを実証的に実証した。
  論文  参考訳（メタデータ） (2022-10-30T11:53:49Z)
• Improving Target-driven Visual Navigation with Attention on 3D Spatial Relationships [52.72020203771489]
  3次元屋内シーンにおける深部強化学習(DRL)を用いた目標駆動型視覚ナビゲーションについて検討した。 提案手法は視覚特徴と3次元空間表現を組み合わせてナビゲーションポリシーを学習する。 AI2-THORで実施した我々の実験は、SRとSPLの指標において、モデルがベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2020-04-29T08:46:38Z)

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。