論文の概要: StopWatch: Goal Grounding for Object-goal Navigation

• arxiv url: http://arxiv.org/abs/2610.23841v1
• Date: Fri, 16 Oct 2026 17:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.062286
• Title: StopWatch: Goal Grounding for Object-goal Navigation
• Title（参考訳）: StopWatch: 目標ナビゲーションのためのゴールグラウンド
• Abstract要約: 目標のグラウンディングは、目標と目標のナビゲーションポリシーにおける主要な失敗であることを示す。 明示的な基盤化は成功を著しく改善し、6つのベンチマークで最先端の結果に達する。 私たちの作業は、目標のグラウンディングをオブジェクトゴールナビゲーションの欠如として示しており、タスクに対してシンプルで効果的なソリューションを提供しています。
• 参考スコア（独自算出の注目度）: 49.6342759504657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained VLMs bring rich world knowledge and semantic priors to object-goal navigation, and fine-tuning a VLM into a navigation policy has become a common recipe. Despite this progress, success rates remain low, and it is unclear which capability these fine-tuned policies lack. Our diagnosis identifies goal grounding as the dominant failure. These policies explore well, yet often fail to notice that the goal is already in view or to estimate how far away it is. To address this failure, we ground the goal explicitly. Explicit grounding substantially improves success and reaches state-of-the-art results on six benchmarks across three scene collections. We also correct annotation defects in these benchmarks, so that future methods are evaluated more faithfully. Our analysis on the clean benchmarks shows that, with ground-truth grounding, our policy nearly matches the expert that generated its demonstrations, leaving the headroom in perception rather than policy learning. Our work points to goal grounding as a missing piece of object-goal navigation and offers a simple and effective solution to the task.
• Abstract（参考訳）: 事前訓練されたVLMは、オブジェクト指向ナビゲーションに先立って豊富な世界知識とセマンティクスをもたらし、ナビゲーションポリシーにVLMを微調整することが一般的なレシピとなっている。 この進歩にもかかわらず、成功率は低いままであり、これらの微調整されたポリシーに欠けている能力は不明確である。 我々の診断では、ゴールグラウンドディングが主流の失敗であると認識している。 これらの方針はよく検討されるが、目標がすでに見られていることや、どれくらい遠くにあるかを見積もることに失敗することが多い。 この失敗に対処するため、私たちは明確な目標を立てました。 明示的な基盤化は成功を著しく改善し、3つのシーンコレクションにわたる6つのベンチマークで最先端の結果に達する。 また、これらのベンチマークのアノテーション欠陥を補正し、将来の手法をより忠実に評価する。 クリーンなベンチマークの分析によると、地道な根拠によって、私たちのポリシーは、その実証を生んだ専門家とほぼ一致し、政策学習というよりも、認識のヘッドルームに残っています。 私たちの作業は、目標のグラウンディングをオブジェクトゴールナビゲーションの欠如として示しており、タスクに対してシンプルで効果的なソリューションを提供しています。

関連論文リスト

• Revisiting Sparse Rewards for Goal-Reaching Reinforcement Learning [7.740002320506015]
  一定の負の報酬を用いて2～3時間以内に画素ベースのポリシーをスクラッチから学習できることが示される。 4つの異なる実ロボティックプラットフォームを用いて, 一定の負の報酬を用いて, ゼロから2～3時間以内に画素ベースのポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-29T05:55:33Z)
• HIQL: Offline Goal-Conditioned RL with Latent States as Actions [81.67963770528753]
  オフラインデータからゴール条件付きRLの階層的アルゴリズムを提案する。 この階層的な分解によって、推定値関数のノイズに頑健になることを示す。 提案手法は,従来の手法を巧みに操り,高次元画像観察にスケールできるとともに,アクションフリーなデータを容易に利用することができる。
  論文  参考訳（メタデータ） (2023-07-22T00:17:36Z)
• Learning for Visual Navigation by Imagining the Success [66.99810227193196]
  我々は,成功(下位)ゴーナル状態の潜在表現を想像することを提案する。 ForeSITは、成功につながる将来の状態の繰り返しの潜在表現を想像するように訓練されています。 ForeSITをオンポリシーでトレーニングし、RL目標に統合するための効率的な学習アルゴリズムを開発しています。
  論文  参考訳（メタデータ） (2021-02-28T10:25:46Z)

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。