論文の概要: CovNav: Conformal Prediction-Guided Adaptive Inference for Object Goal Navigation

• arxiv url: http://arxiv.org/abs/2610.27677v1
• Date: Tue, 20 Oct 2026 05:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.665147
• Title: CovNav: Conformal Prediction-Guided Adaptive Inference for Object Goal Navigation
• Title（参考訳）: CovNav: Conformal Prediction-Guided Adaptive Inference for Object Goal Navigation
• Abstract要約: 大きな言語モデル(LLM)はコモンセンスをエンコードするが、ロボットにそれらをデプロイすることで、推論の品質と効率のトレードオフを明らかにする。 我々は、この疑問に Conformal Prediction (CP) で答える訓練不要のフレームワークであるCovNavを提案する。 CovNav は HM3D v1 と v2 で成功率 0.8 と 1.7% で最強のゼロショットベースラインを上回り、クエリの12.4% しかスロー推論を行わない。
• 参考スコア（独自算出の注目度）: 9.857794637591722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In object goal navigation (ObjectNav), an embodied agent must find a target object (e.g., "find a bed") in a previously unseen environment, relying on spatial commonsense such as object co-occurrence. Large Language Models (LLMs) encode this commonsense, but deploying them on robots exposes a trade-off between reasoning quality and efficiency: cloud-based models incur latency and privacy risks, whereas small on-device LLMs are fast but prone to hallucinated spatial judgments. Hybrid reasoning LLMs offer both a fast non-thinking mode and a slow thinking mode, which raises a key question for embodied agents: when is slow thinking worth its cost? We propose CovNav, a training-free framework that answers this question with Conformal Prediction (CP), turning dual-process (System 1 / System 2) inference into an uncertainty-aware decision. Much like recent decision models such as Jev, CovNav casts each spatial query as a structured binary decision rather than free-form generation: a local LLM in fast mode judges whether the target is likely near an observed object, CP converts its token probabilities into a prediction set, and only ambiguous queries are escalated to slow chain-of-thought reasoning. The object-pair formulation keeps calibration tractable and supports open-set objects through off-the-shelf detectors. Experiments on Gibson and HM3D show that CovNav surpasses the strongest zero-shot baseline by 0.8 and 1.7 percentage points in success rate on HM3D v1 and v2, while invoking slow reasoning for only 12.4% of queries and retaining most of the gain of always-on thinking at a fraction of its latency. Real-robot experiments on a TurtleBot 4 further validate the approach. CovNav shows how calibrated uncertainty can decide when an embodied agent should think slowly, offering a principled form of adaptive test-time reasoning for LLM-based robots.
• Abstract（参考訳）: オブジェクトゴールナビゲーション(ObjectNav)では、エンボディされたエージェントは、オブジェクトの共起のような空間的常識に依存して、以前は目に見えない環境でターゲットオブジェクト(例えば、"find a bed")を見つけなければならない。 大規模言語モデル(LLM)は、この常識を符号化するが、それらをロボットにデプロイすると、推論の品質と効率のトレードオフが露呈する。 ハイブリッド推論 LLM は、高速な非思考モードと遅い思考モードの両方を提供する。 我々は、この疑問にCP(Conformal Prediction)で答えるトレーニング不要のフレームワークであるCovNavを提案し、二重プロセス(System 1 / System 2)推論を不確実性を考慮した決定に変換する。 高速モードのローカルLCMは、ターゲットが観測対象の近くにあるかどうかを判断し、CPはそのトークン確率を予測セットに変換し、曖昧なクエリのみをスローチェーン・オブ・シート推論にエスカレートする。 対物対の定式化はキャリブレーションを牽引し、オフザシェルフ検出器を通じてオープンセットのオブジェクトをサポートする。 GibsonとHM3Dの実験では、CovNavはHM3D v1とv2の成功率において0.8と1.7%の差で最強のゼロショットベースラインを上回り、クエリの12.4%の遅い推論を呼び起こし、常に考え続けることのほとんどをレイテンシで維持している。 TurtleBot 4の実際のロボット実験は、そのアプローチをさらに検証する。 CovNavは、LLMベースのロボットに適応的なテストタイム推論の原則的な形式を提供する、エンボディエージェントがゆっくりと考えるべきタイミングを、キャリブレーションされた不確実性がどのように決定するかを示す。

関連論文リスト

• CoLT-Drive: Counterfactual Long-Tail Benchmarking and Knowledge-Preserving Adaptation for Driving Affordance Prediction [27.20821192335003]
  長い尾の自律運転障害はまれな物体認識エラーとみなされることが多い。 我々は、この問題を、モデルがフロントビューイメージ、エゴモーション履歴、ナビゲーションコマンドを構造化された横方向メタアクションにマッピングする、意思決定レベルの駆動能力予測として定式化する。 デプロイ可能な小型のVLMを改善するために,構造化された知覚と意思決定のプロンプトを組み合わせた知識保存適応フレームワークであるKPA,SLERPベースのエキスパートマージ,レギュラー対応のLORA混在モジュールであるRegMoEを提案する。
  論文  参考訳（メタデータ） (2026-08-31T18:44:30Z)
• Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
  本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。 まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。 次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
  論文  参考訳（メタデータ） (2026-08-18T08:37:08Z)
• IROS: A Dual-Process Architecture for Real-Time VLM-Based Indoor Navigation [1.794583385365075]
  IROSは、VLMレベルのコンテキスト推論と、低コストのオンデバイスハードウェア上での知覚モジュールの効率性を組み合わせたリアルタイムナビゲーションフレームワークである。 IROSは意思決定の精度を改善し、連続的なVLMベースのナビゲーションに比べてレイテンシを66%削減する。
  論文  参考訳（メタデータ） (2026-01-29T10:25:14Z)
• DSCD-Nav: Dual-Stance Cooperative Debate for Object Navigation [63.439158093945956]
  本研究では,姿勢に基づくクロスチェックとエビデンス対応仲裁に代えて,Dual-Stance Cooperative Debate Navigation (DSCD-Nav)を提案する。 HM3Dv1、HM3Dv2、MP3Dの実験では、探索冗長性を低減しつつ、成功と経路効率が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-01-29T08:47:55Z)
• ReasonNavi: Human-Inspired Global Map Reasoning for Zero-Shot Embodied Navigation [53.95797153529148]
  身体的エージェントは、主に部分的な自我中心の観測に依存するため、効率的なナビゲーションに苦しむことが多い。 本稿では,マルチモーダル大規模言語モデル(MLLM)と決定論的プランナを結合することにより,この理由に基づくパラダイムを運用する,人間にインスパイアされたフレームワークであるReasonNaviを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T19:09:20Z)
• CogDDN: A Cognitive Demand-Driven Navigation with Decision Optimization and Dual-Process Thinking [22.817457688303513]
  人間の認知と学習のメカニズムをエミュレートするVLMベースのフレームワークであるCogDDNを提案する。 CogDDNは、検出されたオブジェクトを所定の命令で意味的にアライメントすることで、適切なターゲットオブジェクトを特定する。 高速かつ効率的な意思決定のためのヒューリスティックプロセスと過去のエラーを分析する分析プロセスで構成される、デュアルプロセスの意思決定モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2025-07-15T14:06:24Z)
• NavCoT: Boosting LLM-Based Vision-and-Language Navigation via Learning Disentangled Reasoning [97.88246428240872]
  Embodied AIの重要な研究課題であるVision-and-Language Navigation (VLN)は、自然言語の指示に従って複雑な3D環境をナビゲートするために、エンボディエージェントを必要とする。 近年の研究では、ナビゲーションの推論精度と解釈可能性を改善することにより、VLNにおける大きな言語モデル(LLM)の有望な能力を強調している。 本稿では,自己誘導型ナビゲーション決定を実現するために,パラメータ効率の高いドメイン内トレーニングを実現する,Navigational Chain-of-Thought (NavCoT) という新しい戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:27:02Z)
• BEVDetNet: Bird's Eye View LiDAR Point Cloud based Real-time 3D Object Detection for Autonomous Driving [6.389322215324224]
  キーポイント,ボックス予測,方向予測を用いたオブジェクト中心検出のための単一統一モデルとして,新しいセマンティックセマンティックセマンティクスアーキテクチャを提案する。 提案されたアーキテクチャは簡単に拡張でき、追加の計算なしで Road のようなセマンティックセグメンテーションクラスを含めることができる。 モデルは、KITTIデータセット上のIoU=0.5の平均精度で2%の最小精度の劣化で、他のトップ精度モデルよりも5倍高速です。
  論文  参考訳（メタデータ） (2021-04-21T22:06:39Z)

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。