論文の概要: F2A-ObjectNav: An Adaptive Agentic Architecture for Object-Goal Navigation

• arxiv url: http://arxiv.org/abs/2610.19618v1
• Date: Wed, 14 Oct 2026 05:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.98421
• Title: F2A-ObjectNav: An Adaptive Agentic Architecture for Object-Goal Navigation
• Title（参考訳）: F2A-ObjectNav: オブジェクト指向ナビゲーションのための適応型エージェントアーキテクチャ
• Abstract要約: オブジェクトゴールナビゲーションでは、不慣れな環境を探索し、対象オブジェクトを特定し、候補インスタンスに向かって移動し、観測対象がミッション目標を満たすかどうかを確実に決定するために、実施エージェントが必要である。 本研究は,2段階の開発プロセスを通じてこの問題を考察する。 ステージIでは、探索、オブジェクト検出、ターゲット検証の組み合わせを調べるために固定されたモジュラーフレームワークが使用される。 その結果,ナビゲーション性能,検証信頼性,実行時間,モデル関連コストのトレードオフが明らかとなった。 F2A-ObjectNavはAI2-THOR,Robothor,ProcTHの各25エピソードで評価される
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object-goal navigation requires an embodied agent to explore an unfamiliar environment, identify a target object, navigate toward candidate instances, and reliably determine whether the observed object satisfies the mission goal. This work investigates this problem through a two-stage development process. In Stage I, a fixed modular framework is used to examine combinations of exploration, object detection, and target validation methods. The results reveal clear trade-offs among navigation performance, validation reliability, execution time, and model-related cost, with no single fixed configuration remaining preferable across all evaluated conditions. These observations motivate F2A-ObjectNav (Fixed-to-Adaptive Object-Goal Navigation), an adaptive agentic architecture in which a rule-based Supervisor coordinates specialized components for navigation and exploration, object detection, target validation, semantic guidance, and Mission Memory. The architecture uses event-driven recovery, strategy revision, candidate management, and conditional semantic guidance while retaining lightweight execution during normal operation. F2A-ObjectNav is evaluated over 25 episodes in each of AI2-THOR, RoboTHOR, and ProcTHOR, achieving success rate (SR) / success-weighted path length (SPL) values of 0.84/0.52, 0.40/0.22, and 0.44/0.37, respectively. In addition to task-level metrics, architecture-specific behavioral metrics are used to characterize semantic-guidance usage, strategy switching, recovery activation, memory-supported behavior, and decision stability. The results show different patterns of adaptive intervention across the three environments, with higher intervention frequencies observed in RoboTHOR and ProcTHOR than in AI2-THOR.
• Abstract（参考訳）: オブジェクトゴールナビゲーションでは、不慣れな環境を探索し、対象オブジェクトを特定し、候補インスタンスに向かって移動し、観測対象がミッション目標を満たすかどうかを確実に決定するために、実施エージェントが必要である。 本研究は,2段階の開発プロセスを通じてこの問題を考察する。 ステージIでは、探索、オブジェクト検出、ターゲット検証の組み合わせを調べるために固定されたモジュラーフレームワークが使用される。 その結果, ナビゲーション性能, 検証信頼性, 実行時間, モデル関連コストのトレードオフが明らかとなった。 これらの観察は、F2A-ObjectNav(Fixed-to-Adaptive Object-Goal Navigation)を動機付け、ルールベースのスーパーバイザがナビゲーションと探索、オブジェクト検出、ターゲット検証、セマンティックガイダンス、ミッションメモリの特別なコンポーネントをコーディネートする適応型エージェントアーキテクチャである。 アーキテクチャは、イベント駆動リカバリ、戦略修正、候補管理、条件付きセマンティックガイダンスを使用し、通常の操作時の軽量な実行を維持している。 F2A-ObjectNavはAI2-THOR、Robothor、ProcTHORの各エピソードで25回以上評価され、成功率(SR)/成功重み付きパス長(SPL)はそれぞれ0.84/0.52、0.40/0.22、0.44/0.37である。 タスクレベルのメトリクスに加えて、アーキテクチャ固有の振る舞いメトリクスを使用して、セマンティックガイダンスの使用、戦略の変更、リカバリアクティベーション、メモリサポートされた動作、決定安定性を特徴づける。 その結果,RobothorとProcTHorではAI2-THORよりも高い介入頻度が観察された。

関連論文リスト

• NavHarness: Adaptive Goals for Agentic Vision-Language Navigation [74.28348892951908]
  Vision-Language Navigation (VLN) は、インボディードエージェントが指示や観察に基づいてアクションを生成する必要がある。 MethodはAgentic VLNフレームワークで、ローカルアクションの適応的な目標を設定するGoal Agentを含んでいる。 実世界の評価では、83.3%の成功と1.51,mの航法誤差が8つの挑戦ルートで3回評価されている。
  論文  参考訳（メタデータ） (2026-09-30T15:06:45Z)
• EffiNav: Fusing Depth and Vision-Language for Efficient Object Goal Navigation [0.0]
  未知の環境を探索しながら対象物を見つけることは、自律エージェントの基本的な能力である。 Navでは、ターゲットオブジェクトへの成功はパフォーマンスの基本的な尺度を提供する。 未知の環境では、効率的なナビゲーションの鍵は次の探索場所を決定することである。
  論文  参考訳（メタデータ） (2026-06-17T03:04:11Z)
• APEX: A Decoupled Memory-based Explorer for Asynchronous Aerial Object Goal Navigation [26.546610806602803]
  Embodied AIの挑戦的なフロンティアであるAerial Object Goal Navigationでは、無人航空機(UAV)エージェントが視覚的知覚と言語記述のみを使用して、特定のターゲットを自律的に探索、推論、識別する必要がある。 既存の手法は、大気環境における複雑な空間表現の記憶、信頼性と解釈可能な行動決定、非効率な探索と情報収集に苦慮している。 我々は,複雑な空中環境下での効率的な探索と目標獲得を目的とした,新しい階層型エージェントであるtextAPEXを紹介した。
  論文  参考訳（メタデータ） (2026-01-31T06:27:57Z)
• Nav-$R^2$ Dual-Relation Reasoning for Generalizable Open-Vocabulary Object-Goal Navigation [67.68165784193556]
  Nav-$R2$は、ターゲット環境モデリングと環境行動計画という2つのタイプの関係を明示的にモデル化するフレームワークである。 我々のSA-Memは、時間的・意味的両面から最も標的に関連し、現在の観測関連の特徴を保っている。 Nav-R2は、合理化され効率的なパイプラインを通して見えないオブジェクトをローカライズする、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-02T04:21:02Z)
• 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)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
  本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。 本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
  論文  参考訳（メタデータ） (2020-07-01T17:52:32Z)

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。