論文の概要: HGWM: Hierarchical Graph-Guided World Model for Zero-Shot Object Navigation via Graph Matching
- arxiv url: http://arxiv.org/abs/2610.32554v3
- Date: Wed, 28 Oct 2026 07:01:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.483649
- Title: HGWM: Hierarchical Graph-Guided World Model for Zero-Shot Object Navigation via Graph Matching
- Title（参考訳）: HGWM:グラフマッチングによるゼロショットオブジェクトナビゲーションのための階層型グラフガイド世界モデル
- Abstract要約: 本稿では,カテゴリ条件付きルームアンカーと永続的空間意味記憶を組み合わせた階層型グラフ誘導世界モデルを提案する。
位相依存融合は、これらの信号と言語モデルレコメンデーションを統合し、局所的なナビゲーションをガイドする。
- 参考スコア（独自算出の注目度）: 9.168783088452459
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Zero-shot object navigation requires an agent to reason about where a target may be found while retaining evidence from previous observations. We present HGWM, a hierarchical graph-guided world model that combines a category-conditioned room--anchor prior with persistent spatial-semantic memory. A coarse stage uses a vision-language model to score candidate headings, while a fine stage explicitly compares observed objects and relations with the goal prior. Phase-dependent fusion integrates these signals with a language-model recommendation to guide local navigation. HGWM achieves 62.6\% success rate (SR) and 31.5\% success weighted by path length (SPL) on HM3D v0.1, improving over WMNav by 4.5 and 0.3 percentage points, respectively. On MP3D, it achieves 46.8\% SR and 17.9\% SPL, with gains of 1.4 and 0.7 points. On HM3D v0.2, the full model reaches 74.4\% SR and 31.9\% SPL; removing individual components reduces SR by 0.9--2.3 points and SPL by 0.6--1.5 points. These results support the use of relational priors and persistent graph memory for target-directed search.
- Abstract（参考訳）: ゼロショットのオブジェクトナビゲーションでは、エージェントが以前の観測から証拠を保持しながら、標的がどこにいるかを判断する必要がある。
本稿では,階層型グラフ誘導世界モデルであるHGWMについて述べる。
粗いステージは視覚言語モデルを用いて候補の見出しをスコアし、細かいステージは観測対象と前回の目標との関係を明示的に比較する。
位相依存融合は、これらの信号と言語モデルレコメンデーションを統合し、局所的なナビゲーションをガイドする。
HGWMは、HM3D v0.1のパス長(SPL)で重み付けされた成功率62.6\%(SR)と31.5\%(SPL)を達成し、それぞれWMNavを4.5ポイント、0.3ポイント改善する。
MP3Dでは46.8\%のSRと17.9\%のSPLを達成し、1.4点と0.7点のゲインを得た。
HM3D v0.2では、フルモデルが74.4\% SRと31.9\% SPLに達し、個々の成分を除去することで、SRを0.9--2.3ポイント、SPLを0.6-1.5ポイント削減する。
これらの結果は、リレーショナル先行値とパーシステンシャルグラフメモリをターゲット指向検索に使用することを支援する。
関連論文リスト
- Planning under Noise with Neural Operators [69.53338532337057]
不確実な制御実行ノイズの下での計画には、多様な環境における信頼性の高いフィードバックポリシーが必要である。
本研究では,未知の測地における計画のための雑音認識値場を学習するニューラル演算子であるプランニング・アンダーノイズ(PUN)を紹介する。
論文 参考訳（メタデータ） (2026-10-20T17:58:30Z) - Learning Goal-Conditioned Subgoals through Frozen Hierarchical World Models [0.0]
推論は自己回帰的なハイレベルロールアウトを保持するが、ハイレベルな候補最適化を必要としない。
我々は,H-JEPAで分散された共有遅延HWMチェックポイントに対して,このアプローチを評価する。
一般的な評価プロトコルでは、キューブでは70.4%、Push-Tでは48.7%、FourRoomでは100.0%、Visual AntMazeでは71.1%である。
論文 参考訳（メタデータ） (2026-10-19T11:13:02Z) - LiteNWM: Efficient Latent World Models for Onboard Visual Navigation in the Wild [53.83891601960494]
LiteNWMは、候補間で視覚的エンコーディングを共有し、アクション条件の将来の表現を複数の地平線で共同で予測する。
LiteNWMは、NoMaD+NWM-XLと比較してマクロ平均軌道誤差を17.56%削減し、128.00倍のエンドツーエンド高速化を実現する。
これらの結果から,LiteNWMはロボットの将来の計画やクローズドループナビゲーションに応用可能であることが示された。
論文 参考訳（メタデータ） (2026-10-08T17:29:04Z) - Automated Extraction of Records of Processing Activities (RoPA) Using Hybrid RAG and Locally Deployed Large Language Models [0.0]
ベトナムの個人データ保護法(第91/2025/QH15条)及び第356/2025/ND-CP条(2026年1月1日施行)は、組織に対して、処理活動の記録(RoPA)の確立と維持を義務付けている。
手動のRoPAの準備は労働集約的であり、クラウドホスト型大規模言語モデル(LLM)はデータ主権要件と矛盾する可能性がある。
ハイブリッド検索を用いたRoPA情報の自動抽出システムであるRoPA Managerを提案する。
論文 参考訳（メタデータ） (2026-09-23T04:55:53Z) - C$^2$Nav: Compare Before You Commit for Zero-Shot Vision-and-Language Navigation [2.662920946452234]
連続環境(VLN-CE)における視覚言語ナビゲーションは、ナビゲーションループ内に基礎的な視覚言語モデル(VLM)を配置する傾向にある。
VLMはコントローラ構築の代替品を比較するが、幾何学、閾値、アクションサイズ、実行は物理面に残る。
このアイデアをC2Navでインスタンス化します。
論文 参考訳（メタデータ） (2026-09-14T07:14:59Z) - YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling [2.274915755738124]
本稿では、ストライド4レベルが75.3%のアンカーを主張し、ローカライゼーションエラーよりも完全なミスがベースライン障害を支配しているという前提を検証する。
レシピの1つ、YOLO26-RD、YOLO26-RD、YOLO26-RD、YOLOv12ファミリーの5つの尺度で、スクラッチから15のモデルを訓練した。
YOLO26-RD-l は 0.809 mAP50 と 0.497 mAP50-95 の15の最高値であり、YOLO26 の参照を 0.031 と 0.030 で改善し、クラスごとに6つのエントリをリードする。
論文 参考訳（メタデータ） (2026-08-16T12:36:12Z) - SSTG-Nav: Metric-Grounded Spatial-Semantic Topological Graphs for Reusable Object Navigation [2.272547247667044]
SSTG-Navは再利用可能なメートル法セマンティックメモリで、1回のサーベイを実行可能なオブジェクトゴールに変換する。
36シーンにわたる1000のHM3D-v2エピソードにおいて、私たちのゴールに依存しないトポロジーは99.4%の幾何学的成功天井を達成した。
論文 参考訳（メタデータ） (2026-08-01T08:40:04Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。
既存のアプローチは、ゼロから完全なモデル実装を生成します。
我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
論文 参考訳（メタデータ） (2026-05-06T13:32:05Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z)
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。