論文の概要: ATOM: Abstract Transition and Option Modeling - Experience-Informed Hierarchical Navigation
- arxiv url: http://arxiv.org/abs/2610.17555v1
- Date: Tue, 13 Oct 2026 01:24:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 18:27:55.385219
- Title: ATOM: Abstract Transition and Option Modeling - Experience-Informed Hierarchical Navigation
- Title（参考訳）: ATOM: 抽象トランジションとオプションモデリング - 経験的インフォームド階層ナビゲーション
- Abstract要約: ATOMは階層的なナビゲーションフレームワークで、高レベルのグラフ計画と再利用可能な低レベルのオプションポリシーを組み合わせる。
ATOMは階層的なグラフ表現で動作し、3DSGのRooms and Placesレイヤを使って実装されている。
- 参考スコア（独自算出の注目度）: 13.26751081683149
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose ATOM (Abstract Transition and Option Modeling), a hierarchical navigation framework that combines higher-level graph planning with reusable lower-level option policies for efficient repeated navigation in large-scale 3D environments represented by hierarchical structures such as 3D scene graphs (3DSGs). ATOM operates on a hierarchical graph representation, implemented using, for instance, the Rooms and Places layers of a 3DSG, where each directed abstract transition is associated with a navigation option. For each transition, ATOM computes and stores a reusable option policy along with its state-dependent cost-to-go. Across repeated navigation tasks, ATOM maintains a smoothed empirical distribution over option initiation states and uses it to progressively refine the corresponding abstract transition cost. Ablation studies show that ATOM reduces cumulative repeated-planning time by 97.5% relative to a monolithic MDP baseline while maintaining trajectories within approximately 7% of a Global Places A* shortest-path reference. Experience-informed refinement further reduces abstract transition-cost estimation error by 10.3%. Physical experiments validate ATOM on an F1Tenth vehicle, successfully completing all five navigation queries with 43% of inter-region option executions reusing previously generated solutions.
- Abstract（参考訳）: 本稿では,3次元シーングラフ(3DSG)などの階層構造で表される大規模3次元環境において,高レベルのグラフ計画と高レベルのオプションポリシーを併用し,効率的な繰り返しナビゲーションを実現する階層型ナビゲーションフレームワークであるATOMを提案する。
ATOMは階層的なグラフ表現で動作し、例えば、3DSGのRooms and Placesレイヤを使用して実装されている。
各遷移について、ATOMは再利用可能なオプションポリシーを計算し、その状態依存のコスト・ツー・ゴーと共に保存する。
繰り返し行われるナビゲーションタスクの中で、ATOMはオプション開始状態よりもスムーズな経験的分布を維持し、それを使用して、対応する抽象的な遷移コストを徐々に改善する。
アブレーション研究では、ATOMはモノリシックMDPベースラインに対して累積反復計画時間を97.5%削減し、Global Places A*ショートパス参照の約7%以内の軌道を維持している。
経験インフォームド・リファインメントは、抽象的なトランジションコスト推定誤差を10.3%削減する。
物理実験では、F110号車上でATOMを検証し、5つのナビゲーションクエリ全てを完了し、以前に生成されたソリューションを再利用したリージョン間オプションの実行の43%を完了した。
関連論文リスト
- SOR-Nav: Search or Relocate? Context-Gated Exploration and Cross-Region Relocation for Object Navigation [42.4273485886799]
SOR-Navは階層的なナビゲーションシステムで、現在の状況の探索と、より有望な到達可能な領域への放棄を明確に仲裁する。
HM3D-v1、HM3D-v2、MP3Dの完全な検証セット全体にわたって、SOR-Navは3つのベンチマークで最強に報告された成功率(SR)と成功率(SPL)を達成している。
論文 参考訳（メタデータ） (2026-09-28T09:20:52Z) - VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation [55.45263611374435]
エージェントが同じシーンで繰り返し操作し、自己獲得経験のみを保持し、モデルパラメータを固定するクロスエポソードオブジェクトゴールナビゲーションを提案する。
経験の再利用を支援するために,永続的階層型ビジュアルトポロジカルメモリ(VTM)を用いたトレーニング不要なVLMナビゲーションフレームワークを提案する。
提案手法は,3つのベンチマークすべてで最高のパフォーマンスを実現し,データセット間の構造化視覚トポロジカルエクスペリエンスの再利用の有効性と堅牢性を示す。
論文 参考訳（メタデータ） (2026-07-16T03:11:37Z) - Learning to Navigate Efficiently with Only 0.58M Trainable Parameters [12.68304107799412]
既知の閉形式構造を持つ操作を解析的に計算し、3つの小さな学習モジュール間のインタフェースとして機能するナビゲーションモデルを提案する。
このシステムは、合計22.7Mパラメータのうちわずか0.58Mを1時間未満で44kフレームでトレーニングするが、ナビゲーションタスクの最先端モデルの性能にアプローチする。
論文 参考訳（メタデータ） (2026-07-13T02:49:55Z) - From Extraction to Navigation: Progressive Retrieval with Indirectly Infinite Depth [48.51564669100653]
我々は、ステートフルな自律グラフ探索として検索をモデル化するフレームワークIID-Navを提案する。
IID-Navは、厳格な遅延予算の下で、主流の検索ベースラインを超えることを示す。
論文 参考訳（メタデータ） (2026-06-29T08:47:17Z) - OmniVLN: Omnidirectional 3D Perception and Token-Efficient LLM Reasoning for Visual-Language Navigation across Air and Ground Platforms [33.40889181799252]
言語誘導型エンボディナビゲーションでは、エージェントがオブジェクト参照命令を解釈し、複数の部屋を探索し、参照されたターゲットをローカライズし、それに対する信頼できる動きを実行する必要がある。
OmniVLNは、全方位3次元知覚とトークン効率の高い階層的推論を、空中と地上の両方で組み合わせたゼロショット視覚言語ナビゲーションフレームワークである。
実験により、提案した階層インタフェースは空間参照精度を77.27%から93.18%に改善し、マルチルームの乱雑な設定で累積的なプロンプトトークンを61.7%削減し、フラットで最大11.68%のナビゲーション成功率向上を実現した。
論文 参考訳（メタデータ） (2026-03-18T04:26:30Z) - OpenNavMap: Structure-Free Topometric Mapping via Large-Scale Collaborative Localization [12.686154192361913]
OpenNavMapは、オンデマンドの再構築に3D幾何学的基礎モデルを活用する軽量で構造のないトポロジカルシステムである。
提案手法は,動的プログラミングに基づくシーケンスマッチング,幾何検証,信頼性校正最適化を,頑健で粗いサブマップアライメントに統一する。
Map-Freeベンチマークの評価は、平均翻訳誤差0.62mを達成し、構造移動ベースラインと回帰ベースラインよりも優れた精度を示す。
論文 参考訳（メタデータ） (2026-01-18T07:24:46Z) - TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。
具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。
その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
論文 参考訳（メタデータ） (2025-12-12T00:08:03Z) - Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。
セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
論文 参考訳（メタデータ） (2024-11-25T10:14:10Z) - Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。
我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。
挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2024-07-08T12:52:46Z) - TAS: A Transit-Aware Strategy for Embodied Navigation with Non-Stationary Targets [55.09248760290918]
非定常目標を持つ動的シナリオにおけるナビゲーションのための新しいアルゴリズムを提案する。
我々の新しいTAS(Transit-Aware Strategy)は、具体化されたナビゲーションポリシーをオブジェクトパス情報で強化する。
TASは、ターゲットルートとルートを同期させるエージェントを報酬することで、非定常環境での性能を改善する。
論文 参考訳（メタデータ） (2024-03-14T22:33:22Z) - 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。