論文の概要: Data-Centric Recursive Self-Improvement for Navigation via Policy-Synchronized Language-Action Dual Bootstrapping

• arxiv url: http://arxiv.org/abs/2610.15782v1
• Date: Sun, 11 Oct 2026 17:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 16:41:26.928482
• Title: Data-Centric Recursive Self-Improvement for Navigation via Policy-Synchronized Language-Action Dual Bootstrapping
• Title（参考訳）: データ中心的再帰的自己改善によるポリシー同期型言語処理デュアルブートストラップによるナビゲーション
• Abstract要約: RSI-Navは、ナビゲーションのためのデータ中心のデータ中心の自己改善フレームワークである。 共有モデル内で、視覚-言語-行動指示と視覚-行動-言語命令生成を統一する。 実験の結果、RSI-NavはR2R-CEで68.6%、RxR-CEで72.4%に達することが示された。
• 参考スコア（独自算出の注目度）: 95.41014675801112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language navigation requires agents to follow natural-language instructions to reach target locations, making high-quality language supervision essential. Since human annotation is costly, prior work has explored scalable data synthesis methods. However, existing methods typically either use separate models for navigation and instruction generation or couple the two tasks through task-specific components; most also annotate the full trajectory corpus with a fixed model before updating, which can cause generated supervision to lag behind the evolving policy. Therefore, we introduce RSI-Nav, a data-centric recursive self-improvement framework for navigation via policy-synchronized language-action dual bootstrapping, which unifies vision-language-to-action instruction following and vision-action-to-language instruction generation within a shared model. Specifically, after supervised fine-tuning establishes fundamental capabilities, RSI-Nav progressively processes unlabeled trajectories in small shards. The current model generates instructions for these trajectories, executes them to evaluate goal completion and path efficiency, retains qualified samples, and immediately updates itself before processing the next shard. This shard-wise update keeps newly generated supervision aligned with the evolving policy. We also incorporate spatial understanding data, since stronger spatial reasoning benefits navigation. Extensive experiments show that RSI-Nav reaches 68.6% SR on R2R-CE and 72.4% SR on RxR-CE, while providing stronger instruction-generation utility and modestly improved spatial understanding after recursive evolution.
• Abstract（参考訳）: 視覚言語ナビゲーションでは、エージェントが目標地点に到達するために自然言語の指示に従う必要があり、高品質な言語の監督が不可欠である。 人間のアノテーションはコストがかかるため、以前の研究はスケーラブルなデータ合成手法を探求してきた。 しかしながら、既存のメソッドは通常、ナビゲーションと命令生成に別々のモデルを使用するか、タスク固有のコンポーネントを通じて2つのタスクを結合する。 そこで我々は、ポリシー同期型言語-アクション二重ブートストラッピングによるナビゲーションのためのデータ中心の再帰的自己改善フレームワークであるRSI-Navを紹介した。 具体的には、教師付き微調整が基本的な機能を確立した後、RSI-Navは小さなシャードにラベルのない軌道を段階的に処理する。 現在のモデルはこれらの軌道の指示を生成し、それらを実行してゴール完了とパスの効率を評価し、適切なサンプルを保持し、次にシャードを処理する前に即座に更新する。 このシャードワイドな更新は、新しく生成された監督を、進化するポリシーに沿って維持する。 また,より強力な空間推論がナビゲーションに有用であるため,空間理解データも組み込んだ。 大規模な実験により、RSI-NavはR2R-CEで68.6% SR、RxR-CEで72.4% SRに達した。

関連論文リスト

• Breaking Down and Building Up: Mixture of Skill-Based Vision-and-Language Navigation Agents [43.5771856761934]
  VLN(Vision-and-Language Navigation)は、自然言語命令を解釈し、複雑な3D環境をナビゲートするエージェントにとって大きな課題となる。 トランスフォーマーベースのVLNエージェントに構造化されたスキルベースの推論を導入するモジュラーフレームワークであるSkillNavを提案する。
  論文  参考訳（メタデータ） (2025-08-11T05:50:30Z)
• VLN-R1: Vision-Language Navigation via Reinforcement Fine-Tuning [77.34267241692706]
  Vision-Language Navigation(VLN)は、エージェントが自然言語命令を使用して現実世界の環境をナビゲートする必要がある、AIの実施における中核的な課題である。 本稿では、LVLM(Large Vision-Language Models)を利用して、エゴセントリックな動画ストリームを連続的なナビゲーションアクションに変換するエンドツーエンドフレームワークであるVLN-R1を提案する。
  論文  参考訳（メタデータ） (2025-06-20T17:59:59Z)
• 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)
• $A^2$Nav: Action-Aware Zero-Shot Robot Navigation by Exploiting Vision-and-Language Ability of Foundation Models [89.64729024399634]
  本研究では,ゼロショット視覚言語ナビゲーション(ZS-VLN)の課題について検討する。 通常、命令は複雑な文法構造を持ち、しばしば様々な行動記述を含む。 これらのアクション要求を正しく理解し実行する方法は重要な問題であり、アノテーション付きデータがないため、さらに困難になる。
  論文  参考訳（メタデータ） (2023-08-15T19:01:19Z)
• Reinforced Structured State-Evolution for Vision-Language Navigation [42.46176089721314]
  ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)タスクは、自然言語の指示に従って遠隔地へ移動するための実施エージェントを必要とする。 従来の手法は通常、シークエンスモデル(TransformerやLSTMなど)をナビゲータとして採用していた。 本稿では,VLNの環境レイアウトの手がかりを効果的に維持するために,構造化状態進化(SEvol)モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-20T07:51:20Z)

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。