論文の概要: I2O2I-Nav: A Benchmark with a Modular Agent for Long-Horizon Indoor-to-Outdoor-to-Indoor Navigation
- arxiv url: http://arxiv.org/abs/2610.18307v1
- Date: Tue, 13 Oct 2026 12:52:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:30:25.87129
- Title: I2O2I-Nav: A Benchmark with a Modular Agent for Long-Horizon Indoor-to-Outdoor-to-Indoor Navigation
- Title（参考訳）: I2O2I-Nav: 屋内から屋内への長距離ナビゲーションのためのモジュールエージェントを用いたベンチマーク
- Abstract要約: サービスと配達ロボットは、しばしば屋内と屋外の環境にまたがる長距離航行ミッションを完了する必要がある。
I2O2I-Navは、複数の建物や床にまたがる11万5000平方メートルを超える現実世界の複合シーンのベンチマークである。
そこで本研究では,凍結したナビゲーションポリシーを,完了検証,ステージハンドオフ,バウンドリカバリを通じて協調するMODcular-Agentを提案する。
- 参考スコア（独自算出の注目度）: 36.97973267782191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Service and delivery robots often need to complete long-horizon navigation missions spanning indoor and outdoor environments. Existing embodied navigation benchmarks primarily evaluate isolated stages or partial cross-domain journeys, providing limited support for assessing how heterogeneous navigation capabilities compose under continuous execution. We introduce I2O2I-Nav, a physics-enabled benchmark of 20 real-world composite scenes spanning over 115,000 square meters across multiple buildings and floors, with aligned 3DGS rendering and collision geometry. Its three-level evaluation progresses from independent primitives to two-stage compositions and complete four-stage I2O2I missions. Each stage starts from its predecessor's actual endpoint, while stage-conditional metrics track completion and localize failures along the mission. We further propose the MODULAR-Agent that coordinates frozen navigation policies through completion verification, stage handoffs, and bounded recovery. Evaluation across 1,374 episodes highlights the difficulty of continuous composition. The MODULAR-Agent achieves 40.5-76% success on individual primitives, but full I2O2I success remains low. Compared with a fixed policy chain using the same underlying policies, it more than doubles success on both Indoor-to-Outdoor (I2O) and Outdoor-to-Indoor (O2I), while improving full-mission success from 1.15% to 4.02%. Stage-wise analysis shows that the MODULAR-Agent enables more missions to reach the final object-navigation stage, where conditional success remains low, revealing challenges in both long-horizon stage execution and completion decisions.
- Abstract（参考訳）: サービスと配達ロボットは、しばしば屋内と屋外の環境にまたがる長距離航法ミッションを完了する必要がある。
既存の実施ナビゲーションベンチマークは、主に独立したステージまたは部分的なクロスドメインジャーニーを評価し、連続実行下での不均一なナビゲーション機能がどのように構成されるかを評価するための限定的なサポートを提供する。
I2O2I-Navは、複数の建物や床にまたがる11万5000平方メートルを超える現実世界の複合シーンを物理対応でベンチマークし、3DGSのレンダリングと衝突の幾何学を整列させる。
3段階の評価は、独立したプリミティブから2段階の合成と4段階のI2O2Iミッションの完了へと進歩している。
各ステージは前者の実際のエンドポイントから始まり、ステージ条件のメトリクスは完了を追跡し、ミッションに沿って障害をローカライズする。
さらに,凍結したナビゲーションポリシーを,完了検証,ステージハンドオフ,バウンドリカバリを通じて調整するMODcular-Agentを提案する。
1,374話にわたる評価は、連続的な構成の難しさを浮き彫りにする。
MODcular-Agentは個々のプリミティブで40.5-76%成功しているが、完全なI2O2I成功率は低い。
同じ方針で固定された政策チェーンと比較すると、アウトドア・トゥ・アウトドア(I2O)とアウトドア・トゥ・インドア(O2I)の両方で成功し、フルミッションの成功率は1.15%から4.02%に向上した。
MODcular-Agentは、条件付き成功が低い最終的なオブジェクトナビゲーションステージにより多くのミッションが到達できることを示し、長期のステージ実行と完了決定の両方における課題を明らかにしている。
関連論文リスト
- Learning Safe Humanoid Navigation from Reduced Order Models [16.745213227676775]
標準的な単一ステージのRLナビゲーションパイプラインは,多層および多層地形へのスケールアップに苦慮していることを示す。
ナビゲーション問題を2つに分解し,まず,3次元LiDAR観測をフルに行うとともに,リミットオーダーのダイナミクスで動作するポリシーを訓練する。
次に、このナビゲーション知識を利用して、ループ内の凍結移動ポリシーを用いて、フルオーダーのヒューマノイド力学で動作するポリシーを起動する。
論文 参考訳（メタデータ） (2026-09-16T18:00:05Z) - 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) - SSTG-Nav: Metric-Grounded Spatial-Semantic Topological Graphs for Reusable Object Navigation [2.272547247667044]
SSTG-Navは再利用可能なメートル法セマンティックメモリで、1回のサーベイを実行可能なオブジェクトゴールに変換する。
36シーンにわたる1000のHM3D-v2エピソードにおいて、私たちのゴールに依存しないトポロジーは99.4%の幾何学的成功天井を達成した。
論文 参考訳（メタデータ） (2026-08-01T08:40:04Z) - NavVerse: Benchmarking Indoor-to-Outdoor Embodied Navigation in Continuous Robot Simulation [15.21423340398543]
NavVerseは、屋内から屋外へのエンボディナビゲーションのための物理を利用したベンチマークである。
NavVerseには100の屋内シーン、50の都市屋外シーン、50の屋内屋外シーン、および1万のエピソードが収録されている。
エージェントはタスクサクセス、パス効率、安全性メトリクスを使用して実行可能なロボットインタフェースを通じて評価される。
論文 参考訳（メタデータ） (2026-07-22T02:53:46Z) - Odysseys: Benchmarking Web Agents on Realistic Long Horizon Tasks [67.44219836008348]
我々はOdysseysについて紹介する。Odysseysは、ライブインターネット上で評価された実世界のブラウジングセッションから得られた200のロングホライゾンWebタスクのベンチマークである。
その結果,2進パス/フェイル評価は長距離設定では不十分であり,各Odysseysタスクに平均6.1グレードのルーリックをアノテートするルーリックに基づく評価が導入された。
最強のモデルは44.5%の成功率に達しており、将来の改善の余地は十分にある。
論文 参考訳（メタデータ） (2026-04-27T20:05:41Z) - STRIDER: Navigation via Instruction-Aligned Structural Decision Space Optimization [73.98141357780032]
VLN-CEタスクでは、エージェントはシーン固有のトレーニングなしで自然言語命令を使用して3D環境をナビゲートする必要がある。
既存の方法は、構造化された意思決定の欠如と、以前の行動からのフィードバックの不十分な統合のために、堅牢なナビゲーションを達成できないことが多い。
STRIDERは,空間配置先と動的タスクフィードバックを統合し,エージェントの決定空間を体系的に最適化する新しいフレームワークである。
提案手法では,1)空間構造を介して行動空間を制約する構造的ウェイポイントジェネレータ,2)タスクの進行に応じて行動を調整するタスク調整レギュレータ,そしてナビゲーション全体を通して意味的アライメントを確保する。
論文 参考訳（メタデータ） (2025-10-27T04:37:21Z) - Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - CorNav: Autonomous Agent with Self-Corrected Planning for Zero-Shot Vision-and-Language Navigation [73.78984332354636]
CorNavは視覚・言語ナビゲーションのための新しいゼロショットフレームワークである。
将来の計画の見直しや行動調整のための環境フィードバックが組み込まれている。
ゼロショットマルチタスク設定ですべてのベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2023-06-17T11:44:04Z)
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。