論文の概要: GLST: Global-Local Spatio-Temporal Memory Decomposition Framework for Online Chained-Goal Navigation
- arxiv url: http://arxiv.org/abs/2610.17927v1
- Date: Tue, 13 Oct 2026 08:15:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.555972
- Title: GLST: Global-Local Spatio-Temporal Memory Decomposition Framework for Online Chained-Goal Navigation
- Title（参考訳）: GLST:オンライン連鎖ゴールナビゲーションのためのグローバルローカル時空間メモリ分解フレームワーク
- Abstract要約: 我々は、既存のゴールのリダイレクトや、明示的な遷移信号のない新しいゴールの出現を通じてゴールが進化するオンライン・チェーン・ゴールナビゲーションについて研究する。
この設定の下では、ナビゲーションは継続的な探索または戦略的見直しを必要とし、矛盾するメモリ要求を発生させる可能性がある。
本稿では,グローバルローカルな空間的・長時間の時間的表現に潜在的信念を分離するメモリ分解フレームワークであるGLSTを提案する。
- 参考スコア（独自算出の注目度）: 20.59552888760422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous navigation in real-world environments often requires long-horizon operation under partial observability and evolving goals. Existing mapless navigation approaches predominantly assume fixed goals throughout an episode, limiting applicability to practical scenarios where goals change online during execution. We study online chained-goal navigation, where goals evolve through existing-goal redirection or new-goal emergence without explicit transition signals. Under this setting, we find navigation may require either continued exploration or strategic revisitation, creating conflicting memory requirements. We propose Global-Local Spatio-Temporal Belief Learning (GLST), a memory-decomposition framework that separates latent beliefs into global-local spatial and long-short temporal representations for long-horizon reasoning. We further introduce goal-conditioned rewards to balance exploration and exploitation under evolving goals. Extensive experiments in simulation across diverse terrains demonstrate improved chained-goal navigation performance over baselines. Real-robot experiments using the Spot quadruped further validate our memory decomposition framework.
- Abstract（参考訳）: 現実の環境での自律的なナビゲーションは、部分的に観測可能で進化する目標の下での長い水平操作を必要とすることが多い。
既存のマップレスナビゲーションアプローチは、主にエピソード全体を通じて一定の目標を仮定し、実行中にゴールがオンラインに変化する現実的なシナリオに適用性を制限する。
我々は、既存のゴールのリダイレクトや、明示的な遷移信号のない新しいゴールの出現を通じてゴールが進化するオンライン・チェーン・ゴールナビゲーションについて研究する。
この設定の下では、ナビゲーションは継続的な探索または戦略的見直しを必要とし、矛盾するメモリ要求を発生させる可能性がある。
本稿では,長期的推論のための局所的空間的・長期的時間的表現に潜時的信念を分離するメモリ分解フレームワークであるGLSTを提案する。
さらに、進化する目標の下で探索と搾取のバランスをとるために、目標条件付き報酬を導入する。
多様な地形にまたがるシミュレーションにおける広範囲な実験は、ベースライン上でのチェーンゴールナビゲーション性能の向上を実証している。
Spotを使った実ロボット実験は、メモリ分解フレームワークをさらに検証した。
関連論文リスト
- Beyond the Remembered World: Predictive 4D Belief for Persistent Navigation in Evolving Worlds [64.48226068885388]
本研究では、エージェントが間欠的な観測からターゲット位置を推定する進化世界ナビゲーションについて検討する。
タイムスタンプ付き3Dオブジェクト履歴からタイムインデクシングされた信念を構築するEvolvingNavを提案する。
論文 参考訳（メタデータ） (2026-09-30T07:26:36Z) - GUIDE: Goal-Initialized Directional Understanding for End-to-End Visual Navigation [22.535896749415627]
GUIDEは、完全にエンドツーエンドの強化学習フレームワークであり、内部の方向性の認識を育むために設計されている。
本研究では,四足歩行ロボットにおけるシミュレーションと実世界のシナリオの双方にまたがって提案した枠組みを評価する。
実験の結果、GUIDEは信頼性の高いエゴモーションと方向性の認識を学習し、完全なエンドツーエンドのデプロイポリシーを可能にすることがわかった。
論文 参考訳（メタデータ） (2026-06-09T13:19:30Z) - SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。
このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。
R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
論文 参考訳（メタデータ） (2026-06-08T03:42:08Z) - SignNav: Leveraging Signage for Semantic Visual Navigation in Large-Scale Indoor Environments [57.79171900005793]
人間は、大規模屋内環境内の目的地に向かうために、手話によって提供される意味的ヒントを日常的に活用する。
本稿では,手話からの意味的ヒントを解釈し,現在の観察に基づくその後の行動の推論を行うための,新しい具体的ナビゲーションタスクSignNavを紹介する。
空間認識モジュールは物理的世界へのサインの意味的ヒントを基盤として,時間認識モジュールは歴史的状態と現在の観測との長距離依存性を捉えている。
論文 参考訳（メタデータ） (2026-03-17T06:36:26Z) - HaltNav: Reactive Visual Halting over Lightweight Topological Priors for Robust Vision-Language Navigation [1.774434289475737]
VLN(Vision-and-Language Navigation)は、厳格なステップバイステップの指示から、オープンな語彙、ゴール指向の自律性へとシフトしている。
本稿では,OsmAGのロバストなグローバルプランニングと,VLNの局所探索と命令グラウンド機能を組み合わせた階層型ナビゲーションフレームワークHaltNavを提案する。
論文 参考訳（メタデータ） (2026-03-13T06:22:35Z) - VLingNav: Embodied Navigation with Adaptive Reasoning and Visual-Assisted Linguistic Memory [43.2995099083993]
VLAモデルは、認識と計画を統合することで、航法を具現化する有望な可能性を示してきた。
既存のVLAモデルは、観察から行動へのリアクティブマッピングに直接依存している。
VLingNav(VLAモデル)を提案する。
論文 参考訳（メタデータ） (2026-01-13T15:43:43Z) - Successor Feature Landmarks for Long-Horizon Goal-Conditioned
Reinforcement Learning [54.378444600773875]
大規模で高次元の環境を探索するフレームワークであるSFL(Successor Feature Landmarks)を紹介する。
SFLは、状態のノベルティを推定して探索を推進し、状態空間を非パラメトリックなランドマークベースのグラフとして抽象化することで、高レベルな計画を可能にする。
我々は,MiniGrid と ViZDoom の実験において,SFL が大規模高次元状態空間の効率的な探索を可能にすることを示す。
論文 参考訳（メタデータ） (2021-11-18T18:36:05Z)
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。