論文の概要: Structure over Reasoning: Unified Zero-Shot Navigation with a Small Vision-Language Model
- arxiv url: http://arxiv.org/abs/2610.25130v1
- Date: Sun, 18 Oct 2026 09:26:40 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:28:31.690099
- Title: Structure over Reasoning: Unified Zero-Shot Navigation with a Small Vision-Language Model
- Title（参考訳）: 推論による構造:小型ビジョンランゲージモデルによる統一ゼロショットナビゲーション
- Abstract要約: Qwen3-VL-4Bは、一つのビューがゴールのように見えるかどうかを判断できるが、そのルート推論は偶然であり、その距離はほぼ一定であり、その停止票は信頼できない。
したがって、エージェントは、どの方向がゴールに似ていて、ビューが停止を正当化するかどうか、ルートを持つ指示に対する1つのフロンティアクエリーをステップごとに2つの知覚的質問に問うとともに、回答をアクションではなくエビデンスとして扱う。
1つの予算で1つのインストールで全てのベースラインを割り当てると、エージェントはVLNサブセットの4つのゼロショットベースラインを平均して、両方の粒度で成功する。
- 参考スコア（独自算出の注目度）: 20.457355204858747
- License:
- Abstract: Vision-language navigation is moving into photorealistic, physically simulated scenes, where the leading zero-shot agents put a vision-language model in the control loop to choose every move and stop. Robots favour small models, whose abilities are uneven: Qwen3-VL-4B can judge whether a single view looks like the goal, but its route reasoning is at chance, its distance estimates nearly constant, its stop votes unreliable. Our agent therefore asks it two perceptual questions per step, which direction looks like the goal and whether the view justifies stopping, plus one gated frontier query on route-bearing instructions, and treats the answers as evidence, not actions: a route-blind semantic field over a bird's-eye map accumulates the directional scores through a tempered update, a skeleton graph supplies frontiers and geodesic distances, and a two-stage terminator turns stop votes into termini through a trail-consistency gate and a budget-forced return. With every baseline re-run in one installation at one budget, the agent exceeds all four zero-shot baselines of the VLNVerse subset in mean success on both granularities, though the paired interval against the strongest coarse-grained baseline includes zero. Termination is the dominant lever in ablation, thirteen attempts to give the model more of the navigation establish no reliable gain, and the agent runs on a Unitree Go2 quadruped with off-board inference. Code, per-episode logs and a robot video will be released at https://anonymous.4open.science/r/structure-over-reasoning-PAGE.
- Abstract（参考訳）: 視覚言語ナビゲーションはフォトリアリスティックで物理的にシミュレートされたシーンに移行し、トップのゼロショットエージェントが視覚言語モデルを制御ループに配置し、すべての移動と停止を選択している。
Qwen3-VL-4Bは、1つのビューがゴールのように見えるかどうかを判断できるが、そのルート推論は偶然であり、その距離はほぼ一定であり、停止票は信頼できない。
そこで,提案エージェントは,各ステップ毎に2つの知覚的質問を投げかけ,どの方向が目標に似ていて,そのビューが停止を正当化するか否かを問うとともに,ルート係留指示に対する1つのゲートフロンティアクエリを根拠として扱い,その答えをアクションではなく証拠として扱う: 鳥眼マップ上のルート盲点セマンティックフィールドは,誘惑的な更新によって方向スコアを蓄積し,骨格グラフはフロンティアと測地距離を供給し,二段階のターミネータは,トレイル整合ゲートと予算強化リターンを通じて投票を終止符に切り替える。
1つの予算で1つのインストールで全てのベースラインが再実行されると、エージェントはVLNVerseサブセットの4つのゼロショットベースラインを平均して、両方の粒度で成功する。
終端はアブレーションにおける支配的なレバーであり、13の試行により、モデルに信頼性の高い利得が得られず、エージェントはオフボード推論で4倍のUnitree Go2上で実行される。
コード、エピソードごとのログ、ロボットビデオはhttps://anonymous.4open.science/r/structure-over-reasoning-PAGEで公開される。
関連論文リスト
- RECAST: Recasting Vision-Language Semantics into an Actionable Cost Map for Robot Navigation [55.481757624043034]
RECASTは、VLMの推論と視覚基盤モデルの空間的接地を組み合わせたロボットナビゲーションフレームワークである。
シミュレーションでは13.3ポイント、実四重奏では31.4ポイントで最強の先行法よりも成功率を向上させる。
衝突速度を9.6点、14.3点に減らし、全ての方法の中で最も低い衝突速度に達する。
論文 参考訳（メタデータ） (2026-09-26T13:13:45Z) - Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching [23.780648709989777]
小さなオープンモデルはしばしばフロンティアモデルよりも成功半径に確実に移動するが、到着時期を早めるか全く宣言しないかでエピソードを失う。
我々はMLLMが交換可能なコンポーネントであるアーキテクチャであるDroneCATS-Agentと、モデルを独立変数として扱うベンチマークであるDroneCATSを紹介する。
論文 参考訳（メタデータ） (2026-09-01T15:27:43Z) - Deliberate Before You Fly: Vision-Guided Spatial Deliberation for UAV See-and-Reach Navigation [23.72068584471195]
シー・アンド・リーチ・ナビゲーションでは、航空エージェントが初期ビューで見える言語指定のターゲットに接近し、その近くで確実に停止する必要がある。
既存の手法は通常、中間的な細粒度の空間決定を明示的にモデル化することなく、視覚言語表現を直接アクション出力にマッピングする。
そこで我々は,経路ポイント生成に先立って,視覚誘導型空間的議論を明示的に導入する,視覚言語による経路ポイント予測フレームワークDBFlyを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:27:07Z) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。
本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
論文 参考訳（メタデータ） (2026-05-21T10:15:39Z) - Can Vision Foundation Models Navigate? Zero-Shot Real-World Evaluation and Lessons Learned [5.561294055181353]
ビジュアルナビゲーションモデル(VNM)は、大規模な視覚的なデモンストレーションから学ぶことで、一般化可能なロボットナビゲーションを約束する。
室内と屋外にまたがる2つのロボットプラットフォームと5つの環境にまたがる5つの最先端VNMの現実的評価について述べる。
論文 参考訳（メタデータ） (2026-03-26T22:04:49Z) - Obstruction reasoning for robotic grasping [18.39507400925748]
障害推論が可能な学習型視覚言語モデルであるUNOGraspを提案する。
対象対象物から生じる障害経路に基づいて, 新たな多段階推論法を考案する。
我々は,MetaGraspNetV2に基づいて,トレーニングとベンチマークの両方のための大規模データセットであるUNOBenchを構築した。
論文 参考訳（メタデータ） (2025-11-28T13:53:12Z) - PoseDiff: A Unified Diffusion Model Bridging Robot Pose Estimation and Video-to-Action Control [67.17998939712326]
本稿では,ロボットの状態推定と制御を単一のフレームワーク内で統一する条件拡散モデルPoseDiffを提案する。
中心となるPoseDiffは、生の視覚を3Dキーポイントや関節角などの構造化されたロボットの状態にマッピングする。
この基盤の上に構築されたPoseDiffは、ビデオからアクションへの逆ダイナミクスに自然に拡張する。
論文 参考訳（メタデータ） (2025-09-29T10:55:48Z)
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。