論文の概要: ForagerSim: Evaluating Embodied Map-Based Reasoning in Large-Scale Dynamic Worlds

• arxiv url: http://arxiv.org/abs/2610.26395v1
• Date: Mon, 19 Oct 2026 13:40:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:10:54.879435
• Title: ForagerSim: Evaluating Embodied Map-Based Reasoning in Large-Scale Dynamic Worlds
• Title（参考訳）: ForagerSim: 大規模動的世界における身体的マップベース推論の評価
• Abstract要約: ForagerSimは、マップベースの推論を必要とする実施タスクに焦点を当てた研究プラットフォームとシミュレーション環境である。 シナリオは、移動ロボットの捜索や救助から、複雑な迷路や広大な無限のオープンエリアでの動物の捕食まで様々です。 その結果,2次元に単純化された場合,学習ポリシーは単純なトポロジにおいて,多目的探索や相反するタスクを驚くほどうまく行うことができることがわかった。 しかし、マップベースのベースラインがうまく機能する大規模あるいは複雑なトポロジー環境では、人間のパフォーマンスに欠けています。
• 参考スコア（独自算出の注目度）: 4.643269339230499
• License:
• Abstract: Animals build cognitive maps of vast environments, use them to perform map-based navigation, and might even be reusing the same circuitry used in spatial reasoning for creating and using maps of arbitrary task-spaces. In contrast, current embodied AI systems either rely on hand-engineered mapping pipelines, which break in the presence of unmodeled dynamics and are restricted to metric space, or on learned policies that rarely form map-like representations at all. Developing architectures that could learn to build and use map-like representations as flexibly as animals is, however, difficult because few embodied AI benchmarks actually require map-based reasoning. To address this, we present ForagerSim --- an interdisciplinary research platform and simulation environment focused on embodied tasks that require map-based reasoning, with scenarios ranging from mobile-robot search and rescue to animal foraging in both complex mazes and vast, potentially infinite open areas. ForagerSim is highly modular and allows modifying independent axes of difficulty related to perception (abstract 2D sensing to full RGB or LiDAR), scale (room-scale to multi-km scale), topology (open-fields to complex mazes), dynamics (smoke, debris, sensorimotor failures and others) and tasks (from simple 2D coverage to foraging-inspired well-alternation tasks). We compare reinforcement learning baselines with a simple engineered robotics stack and a human player on 8 example worlds which show how different difficulty axes affect existing methods. Our results show that, when sensing is simplified to 2D, learned policies can perform multi-object search and well-alternation tasks surprisingly well in simple topologies, but they fall short of human performance in larger or more complex-topology environments where map-based baselines perform well, suggesting that map-based reasoning is the bottleneck in these scenarios.
• Abstract（参考訳）: 動物は広大な環境の認知地図を作成し、それを地図ベースのナビゲーションに利用し、任意のタスク空間の地図を作成し使用するために空間的推論に使用されるのと同じ回路を再利用するかもしれない。 対照的に、現在の具体化されたAIシステムは手動のマッピングパイプラインに依存しており、それは、モデル化されていないダイナミクスの存在を壊し、メートル法空間に制限されているか、あるいはマップのような表現をほとんど形成しない学習されたポリシーに依存している。 しかし、動物のように柔軟に地図のような表現を構築および使用することを学ぶことができるアーキテクチャを開発することは難しい。 この問題を解決するために、ForagerSimという学際的な研究プラットフォームとシミュレーション環境を提供し、地図ベースの推論を必要とするタスクを具体化する。 ForagerSimは高度にモジュール化されており、知覚(フルRGBまたはLiDARへの2Dセンシング)、スケール(ルームスケールからマルチkmスケールへの)、トポロジー(オープンフィールドから複雑な迷路への)、ダイナミックス(煙、破片、センセーモレータの故障など)、タスク(単純な2Dカバレッジから、フォークングにインスパイアされた良質な交替タスクまで)に関連する難易度を修正できる。 従来の手法と異なる難易度軸がどう影響するかを示す8つの例の世界において、強化学習のベースラインを、シンプルなエンジニアリングされたロボットスタックと人間プレイヤーとを比較した。 以上の結果から,地図ベースベースラインが良好に機能する大規模あるいは複雑なトポロジ環境においては,学習方針は驚くほど多目的探索や相反するタスクを行なえるが,これらのシナリオではマップベースの推論がボトルネックとなることが示唆された。

関連論文リスト

• The Unified Autonomy Stack: Toward a Blueprint for Generalizable Robot Autonomy [13.105188128582567]
  我々は,空と地上のロボット形態を横断するレジリエンスな自律を可能にするシステムレベルのソリューションであるUnified Autonomy Stackを紹介し,オープンソース化する。 アーキテクチャは、マルチモーダル認識、マルチビヘイビア計画、マルチレイヤセーフナビゲーションの3つのモジュールを中心にしている。 このスタックは、地上(ロータークラフト)ロボットと地上(レッグ)ロボットの両方でフィールドテストされ、検証されている。
  論文  参考訳（メタデータ） (2026-05-12T20:39:35Z)
• Exploration and Exploitation Errors Are Measurable for Language Model Agents [52.95061000593404]
  言語モデル(LM)エージェントは、複雑なオープン化された決定タスクにますます使われています。 コア要件は、問題空間を探索し、獲得した知識を効果的に活用する能力である。 実践的なAIシナリオにインスパイアされた制御可能な環境を設計する。
  論文  参考訳（メタデータ） (2026-04-14T17:59:57Z)
• Active Visual Localization for Multi-Agent Collaboration: A Data-Driven Approach [47.373245682678515]
  本研究は、視点変化の課題を克服するために、アクティブな視覚的ローカライゼーションをどのように利用できるかを検討する。 具体的には、与えられた場所における最適な視点を選択する問題に焦点をあてる。 その結果,既存の手法と比較して,データ駆動方式の方が優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-04T08:18:30Z)
• Object Goal Navigation with Recursive Implicit Maps [92.6347010295396]
  対象目標ナビゲーションのための暗黙的な空間マップを提案する。 提案手法は, 挑戦的なMP3Dデータセット上での技量を著しく上回る。 我々は、実際のロボットにモデルをデプロイし、実際のシーンでオブジェクトゴールナビゲーションの結果を奨励する。
  論文  参考訳（メタデータ） (2023-08-10T14:21:33Z)
• Navigating to Objects in the Real World [76.1517654037993]
  本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。 モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。 対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
  論文  参考訳（メタデータ） (2022-12-02T01:10:47Z)
• Weakly-Supervised Multi-Granularity Map Learning for Vision-and-Language Navigation [87.52136927091712]
  我々は,ロボットエージェントが言語指導によって記述された経路をたどって,環境の中をナビゲートするよう訓練する,現実的かつ困難な問題に対処する。 高精度かつ効率的なナビゲーションを実現するためには,環境オブジェクトの空間的位置と意味情報の両方を正確に表現した地図を構築することが重要である。 より包括的にオブジェクトを表現するために,オブジェクトの細粒度(色,テクスチャなど)とセマンティッククラスの両方を含む多粒度マップを提案する。
  論文  参考訳（メタデータ） (2022-10-14T04:23:27Z)
• Learning Synthetic to Real Transfer for Localization and Navigational Tasks [7.019683407682642]
  ナビゲーションは、コンピュータビジョン、ロボット工学、制御の概念を組み合わせて、複数の分野のクロスロードにある。 この研究は、実世界への移動をできる限り少ない努力で行うことができるナビゲーションパイプラインをシミュレーションで作成することを目的としていた。 ナビゲーションパイプラインを設計するには、環境、ローカライゼーション、ナビゲーション、計画の4つの大きな課題が発生する。
  論文  参考訳（メタデータ） (2020-11-20T08:37:03Z)
• Map-merging Algorithms for Visual SLAM: Feasibility Study and Empirical Evaluation [0.0]
  最先端のvSLAMアルゴリズムは、移動ロボットが未知の環境を自律的にナビゲートできるように、精度の高い地図を構築することができる。 この問題は、異なる vSLAM マップを一貫した単一の表現にマージできるかどうかを問うものである。 本研究では,既存の2次元および3次元マップマージアルゴリズムについて検討し,現実的なシミュレーション環境において広範な実験的な評価を行う。
  論文  参考訳（メタデータ） (2020-09-12T16:15:16Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。