論文の概要: GG-Nav: Goal-oriented Grounding Chain-of-Thought Elicits Reasoning in Navigation Foundation Models

• arxiv url: http://arxiv.org/abs/2610.14541v1
• Date: Sat, 10 Oct 2026 03:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.063773
• Title: GG-Nav: Goal-oriented Grounding Chain-of-Thought Elicits Reasoning in Navigation Foundation Models
• Title（参考訳）: GG-Nav:航法基礎モデルにおけるゴール指向グラウンド・オブ・ソート(GG-Nav)の推論
• Abstract要約: GG-Navは、教師付き微調整によって構造化チェーン機構を学習するナビゲーションフレームワークである。 GG-Navは,HM3D ObjectNav, VL-LN, CoINベンチマークにおける成功率において,最先端の手法よりも優れていることを示す。 我々はまた、GG-NavをUnitree Go2ロボットにデプロイし、実世界の見えない環境でゼロショット能力を実証した。
• 参考スコア（独自算出の注目度）: 19.69254187958623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging strong Vision-Language Models (VLMs) have advanced navigation foundation models. However, these models still have unsatisfactory performance on goal-oriented navigation settings. In this paper, we first conduct a motivating study revealing that the key issue lies in the insufficient utilization of streaming observations and imprecise target localization. To tackle these challenges, we propose GG-Nav, a simple yet effective navigation framework that learns a structured chain-of-thought (CoT) mechanism via supervised fine-tuning to explicitly localize goal-relevant instances, accumulate grounding evidence, and support more reliable decision-making. Specifically, the structured CoT is designed with two key stages: (i) Observation-to-Evidence, which reasons over all intermediate frames between adjacent decision steps to retain useful goal-related evidence; and (ii) Evidence-to-Decision, which integrates the current observation with accumulated evidence to ground the target and support the generation of navigation actions or clarification questions. Extensive experiments show that GG-Nav outperforms the state-of-the-art methods in terms of success rates on the HM3D ObjectNav, VL-LN, and CoIN benchmarks by 3.1%, 16.6%, and 5.3%, respectively. Ablation studies further show that accumulating evidence from intermediate observations reduces evidence-missing failures by 11.6%, while explicit grounding reduces stopping errors by 49.4%. We also deploy GG-Nav on a Unitree Go2 robot, demonstrating its zero-shot generalization capability in unseen real-world environments.
• Abstract（参考訳）: 新たな強力なビジョンランゲージモデル (VLM) には、高度なナビゲーション基盤モデルがある。 しかし、これらのモデルは、目標指向のナビゲーション設定ではまだ不満足なパフォーマンスを保っている。 本稿では,まず,ストリーミング観測の不十分な利用と不正確なターゲット位置推定が重要な課題であることを示す動機づけ研究を行う。 これらの課題に対処するために、GG-Navを提案する。GG-Navは、教師付き微調整により構造化チェーン・オブ・シント(CoT)機構を学習し、目標関連インスタンスを明示的にローカライズし、根拠となる証拠を蓄積し、より信頼性の高い意思決定を支援する、シンプルで効果的なナビゲーションフレームワークである。 具体的には、CoTの構造は2つの重要な段階で設計されている。 一 目的に係る有意義な証拠を保持するための隣り合う決定ステップの中間枠の全てに理由を成す観察証拠 二 現状の観察と蓄積した証拠を統合して、目標を定め、航行行動の発生を支援し、又は明確化の質問をすること。 GG-Navは、HM3D ObjectNav、VL-LN、CoINベンチマークにおいて、それぞれ3.1%、16.6%、および5.3%の成功率において、最先端の手法よりも優れている。 アブレーション研究により、中間観察から証拠を蓄積すると、証拠の欠落は11.6%減少し、明示的な根拠はエラーを49.4%減少させることが示されている。 我々はまた、GG-NavをUnitree Go2ロボットにデプロイし、実世界の見えない環境でゼロショットの一般化能力を実証した。

関連論文リスト

• 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)
• SR-Nav: Spatial Relationships Matter for Zero-shot Object Goal Navigation [23.52929533412924]
  ゼロショットのオブジェクトゴールナビゲーションは、エゴセントリックな観測のみを使用して、目に見えない環境で対象物を見つけることを目的としている。 近年の手法は、ナビゲーション性能を高めるために基礎モデルの理解と推論能力を活用している。 本研究では、観察と経験に基づく空間的関係をモデル化し、知覚と計画の両面を強化するフレームワークであるSpatial Relation-Aware Navigation (SR-Nav)を提案する。
  論文  参考訳（メタデータ） (2026-03-19T03:09:32Z)
• DSCD-Nav: Dual-Stance Cooperative Debate for Object Navigation [63.439158093945956]
  本研究では,姿勢に基づくクロスチェックとエビデンス対応仲裁に代えて,Dual-Stance Cooperative Debate Navigation (DSCD-Nav)を提案する。 HM3Dv1、HM3Dv2、MP3Dの実験では、探索冗長性を低減しつつ、成功と経路効率が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-01-29T08:47:55Z)
• DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation [55.888688171010365]
  DORAEMONは、人間のナビゲーション機能を模倣したVentralとDorsal Streamsで構成される、認知にインスパイアされたフレームワークである。 我々は,DORAEMONをHM3D,MP3D,GOATのデータセット上で評価し,成功率(SR)と成功度(SPL)の測定値の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-28T04:46:13Z)
• NavCoT: Boosting LLM-Based Vision-and-Language Navigation via Learning Disentangled Reasoning [97.88246428240872]
  Embodied AIの重要な研究課題であるVision-and-Language Navigation (VLN)は、自然言語の指示に従って複雑な3D環境をナビゲートするために、エンボディエージェントを必要とする。 近年の研究では、ナビゲーションの推論精度と解釈可能性を改善することにより、VLNにおける大きな言語モデル(LLM)の有望な能力を強調している。 本稿では,自己誘導型ナビゲーション決定を実現するために,パラメータ効率の高いドメイン内トレーニングを実現する,Navigational Chain-of-Thought (NavCoT) という新しい戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:27:02Z)

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。