論文の概要: Training-Free Multi-Agent Cooperative Embodied Search from Uncertain Vision-Language Priors

• arxiv url: http://arxiv.org/abs/2610.15038v1
• Date: Sat, 10 Oct 2026 16:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:49:04.31455
• Title: Training-Free Multi-Agent Cooperative Embodied Search from Uncertain Vision-Language Priors
• Title（参考訳）: 不確実な視力・言語前駆者からの無トレーニング多エージェント協調体型検索
• Abstract要約: VLN(Real-world Vision-Language Navigation)は、エージェントが部分的に観測可能である必要がある。 本稿では,地図レス環境における協調型マルチエージェント探索のための軽量で,トレーニング不要で,不確実性を意識したフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.12852663159098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world Vision-Language Navigation (VLN) requires agents to act under partial observability, where map structure, semantic cues, and target locations may be incomplete or incorrectly inferred by foundation models. This paper presents a lightweight, training-free, and uncertainty-aware framework for cooperative multi-agent multi-target search in mapless environments. Instead of learning an end-to-end navigation policy, the framework separates high-level semantic reasoning from low-level execution through a scalable graph-optimization backbone. Multimodal Large Language Models (MLLMs) serve only as hypothesis generators, proposing semantic zones, target-location cues, and possible navigable connections. These outputs are treated as uncertain priors and further refined using online observations and graph-context evidence. Cooperative navigation is then formulated as a rolling-horizon multi-agent mixed-integer linear program with a lexicographic objective that first maximizes target-directed reward and then reduces travel distance, uncertain-edge use, and repeated visits. Experiments derived from 100 Matterport3D test cases show that the proposed framework improves target coverage and search efficiency over representative baseline methods, while shared information and joint planning enable more balanced workloads across agents. By operating on an abstract graph without relying on embodiment-specific policy parameters, the framework scales across varying numbers of agents and targets, generalizes to unseen environments, and accommodates different perception modules and low-level controllers without task-specific retraining.
• Abstract（参考訳）: VLN (Real-world Vision-Language Navigation) は、地図構造、セマンティックキュー、ターゲット位置が不完全または誤って基礎モデルによって推測される場合、部分的な観測可能性の下でエージェントが行動することを要求する。 本稿では,地図レス環境における協調型マルチエージェントマルチターゲット探索のための軽量で,トレーニング不要で,不確実性を意識したフレームワークを提案する。 エンドツーエンドのナビゲーションポリシを学ぶ代わりに、このフレームワークは、スケーラブルなグラフ最適化バックボーンを通じて、低レベルの実行から高レベルのセマンティック推論を分離する。 MLLM(Multimodal Large Language Models)は、仮説生成器としてのみ機能し、セマンティックゾーンの提案、ターゲット位置のキュー、ナビゲート可能な接続を可能にする。 これらの出力は、不確実な事前として扱われ、オンライン観察とグラフコンテキストの証拠を用いてさらに洗練される。 協調ナビゲーションはローリングホリゾン多エージェント混合整数線形プログラムとして定式化され、レキシコグラフィー目的により、まず目標指向の報酬を最大化し、その後、旅行距離、不確実な使用、繰り返し訪問を減らす。 100のMatterport3Dテストケースから得られた実験によると、提案フレームワークは、代表的ベースラインメソッドよりもターゲットカバレッジと探索効率を向上させる一方、共有情報と共同計画により、エージェント間のバランスの取れたワークロードをより高めることができる。 具体的ポリシーパラメータに頼ることなく抽象グラフ上で操作することで、フレームワークはさまざまなエージェントやターゲットをスケールし、目に見えない環境に一般化し、タスク固有のリトレーニングなしで異なる知覚モジュールや低レベルコントローラに対応できる。

関連論文リスト

• More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
  遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。 我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。 提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
  論文  参考訳（メタデータ） (2026-07-17T13:25:44Z)
• Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
  GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。 広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。 また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
  論文  参考訳（メタデータ） (2025-11-24T03:11:08Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• ReVoLT: Relational Reasoning and Voronoi Local Graph Planning for Target-driven Navigation [1.0896567381206714]
  Embodied AIは、知的な実体と現実世界の相互作用を強調する必然的なトレンドである。 グラフニューラルネットワーク(GNN)によるレイアウト関係の活用に関する研究 このタスクを分離し、階層的なフレームワークであるReVoLTを提案する。
  論文  参考訳（メタデータ） (2023-01-06T05:19:56Z)
• Learning Control Admissibility Models with Graph Neural Networks for Multi-Agent Navigation [9.05607520128194]
  制御適応モデル(CAM)は、任意の数のエージェントに対するオンライン推論のために簡単に構成され、使用することができる。 CAMモデルは少数のエージェントしか持たない環境で訓練でき、数百のエージェントで密集した環境に展開するために容易に構成でき、最先端の手法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2022-10-17T19:20:58Z)
• Multi-Agent Embodied Visual Semantic Navigation with Scene Prior Knowledge [42.37872230561632]
  視覚的セマンティックナビゲーションでは、ロボットは自我中心の視覚的観察を行い、目標のクラスラベルが与えられる。 既存のモデルのほとんどは単一エージェントナビゲーションにのみ有効であり、より複雑なタスクを完了すると、単一のエージェントは低効率でフォールトトレランスが低い。 本稿では,複数のエージェントが協調して複数の対象物を見つけるマルチエージェント視覚意味ナビゲーションを提案する。
  論文  参考訳（メタデータ） (2021-09-20T13:31:03Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)

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。