論文の概要: MOON: Learning When to Forget and How to Move On in Vision-and-Language Navigation

• arxiv url: http://arxiv.org/abs/2610.33546v2
• Date: Fri, 30 Oct 2026 02:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.350583
• Title: MOON: Learning When to Forget and How to Move On in Vision-and-Language Navigation
• Title（参考訳）: MOON:視覚・言語ナビゲーションでいつ、いつ、どのように移動するかを学ぶ
• Abstract要約: 近年のヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)ポリシーは、その視覚的履歴に作用し、誤ったアクションによって指示されたルートから外される可能性がある。 本稿では,凍結したVLNポリシに2つの軽量モジュールを装備し,パラメータの1%未満を付加するフレームワークを提案する。 逸脱判事はいつ忘れるかを判断し、エージェントがルートから外れていることを予測したときに歴史をクリアする警報を発する。 アラーム状態からGRPOでトレーニングされたリカバリポリシは、進む方法を学習し、単一のgreedyロールアウトにサンプリングするだけで、より多くの成功を得られるようにします。
• 参考スコア（独自算出の注目度）: 54.495160070920655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent vision-and-language navigation (VLN) policies act on their visual history, and an incorrect action can take them off the instructed route. Paired interventions on four VLN policies show that clearing the history doubles pooled success at the onset of a deviation but lowers it on route, while later in a deviation, removing only the off-route frames helps much less. After a deviation, the retained history keeps the policy from turning where a turn is needed, which we call behavioral inertia. We propose MOON, a framework that equips a frozen VLN policy with two lightweight modules, adding less than 1% of its parameters. A deviation judge decides when to forget, raising an alarm that clears the history when it predicts that the agent is off route. A recovery policy, trained with GRPO from alarm states, learns how to move on, turning more of the successes found only by sampling into a single greedy rollout. Experiments on R2R-CE and RxR-CE show that MOON reaches the highest R2R-CE success rate among the compared methods and raises the success rate of its frozen base by 5.2 and 6.0 points, and an ablation with a random trigger indicates that this gain depends on when the history is cleared. Without retraining, MOON also improves zero-shot object-goal navigation on HM3D-OVON. Together, these results suggest that deviation recovery depends on knowing when to forget, not only how to act. Code is available at https://github.com/AutoLab-SAI-SJTU/MOON.
• Abstract（参考訳）: 近年のヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)ポリシーは、その視覚的履歴に作用し、誤ったアクションによって指示されたルートから外される可能性がある。 4つのVLNポリシーに対するペア化された介入は、歴史をクリアすることは、逸脱の開始時に成功をプールするが、ルートを低くする一方で、後に逸脱した場合には、オフルートフレームのみを削除することが、はるかに少ないことを示している。 逸脱後、保持された歴史は、行動慣性と呼ばれるターンが必要な場所を転換する政策を維持する。 凍結したVLNポリシに2つの軽量モジュールを装備し,パラメータの1%未満を付加するフレームワークであるMOONを提案する。 逸脱判事はいつ忘れるかを判断し、エージェントがルートから外れていることを予測したときに歴史をクリアする警報を発する。 アラーム状態からGRPOでトレーニングされたリカバリポリシは、進む方法を学習し、単一のgreedyロールアウトにサンプリングするだけで、より多くの成功を得られるようにします。 R2R-CEとRxR-CEの実験により、MOONは比較した手法の中で最もR2R-CEの成功率に達し、凍結ベースの成功率を5.2および6.0ポイント上昇させ、ランダムトリガによるアブレーションは、この利得が歴史がクリアされた時に依存することを示している。 再トレーニングなしでは、MOONはHM3D-OVONのゼロショットオブジェクトゴールナビゲーションも改善する。 これらの結果は、偏差回復はいつ忘れるべきかだけでなく、どのように振る舞うかを知ることに依存することを示唆している。 コードはhttps://github.com/AutoLab-SAI-SJTU/MOONで入手できる。

関連論文リスト

• If at First You Don't Succeed, Backtrack: Lightweight Recovery for Frozen VLAs [1.4091801425319963]
  本稿では,凍結型ビジョン・ランゲージ・アクション(VLA)モデルに対する軽量な故障検出と回復機構であるBacktrackを紹介する。 凍結ポリシーの結果ラベル付きロールアウトのみに基づいてトレーニングされた小さな障害予測ヘッドは、VLAの既存の内部表現を読み、現在のエピソードが失敗するかどうかを推定する。 予測された故障確率がしきい値を超えると、コントローラはポリシーを一時停止し、最近達成された腕の動きを遡り、変更されていないポリシーに制御し、以前の構成から再試行することができる。
  論文  参考訳（メタデータ） (2026-10-23T17:35:33Z)
• When to Stop Penalizing Actions? Martingale GRPO for VLA Reinforcement Learning [57.346051877313705]
  Martingale GRPO はイベント誘導トランケーションのための視覚言語モデル (VLM) を備えている。 故障フィードバックは選択されたエラー間隔を通して保持され、その後削除され、成功したロールアウト損失項と元の損失正規化が保存される。 RoboTwin 2.0でのOpenVLA-OFTの実験により、MART-GRPOは複数のタスクにわたる全軌道GRPOよりも成功率を向上させることが示された。
  論文  参考訳（メタデータ） (2026-10-23T09:56:27Z)
• Remember What You Did: Action-History Memory with Dual-Expert Denoising for Long-Horizon Vision-Language-Action Policies [21.099991485602622]
  ActMem-VLAは、Mambaベースのメモリモジュールと軽量PreAction Expert (PAE)からなるメモリプラグインで、凍結した微調整のVLAを増強する。 LIBERO-Memでは、ActMem-VLAは10タスクで平均80.8%、MemoryVLAでは65.2%、メモリVLAでは49.5%、追加パラメータは3.45%となっている。
  論文  参考訳（メタデータ） (2026-09-29T11:43:19Z)
• DreamFly: Causal Memory and Receding-Horizon Diffusion Planning for Aerial Vision-Language Navigation [4.9808826786866405]
  航空視覚言語ナビゲーション(VLN)は、時間とともに視覚的エビデンスを統合し、将来のアクションを計画し、それが部分観測可能性の下でナビゲーション目標に到達したかどうかを決定するための実施エージェントを必要とする。 本研究では,Dream-VLA上に構築された拡散型空中VLNフレームワークであるDreamFlyを提案する。 DreamFlyは32.04%/29.46%のSRと28.22%/23.54%のSPLを達成した。
  論文  参考訳（メタデータ） (2026-08-12T17:54:33Z)
• Procedural Memory Distillation: Online Reflection for Self-Improving Language Models [51.938248694868584]
  検証可能な報酬(RLVR)による強化学習は、検証対象に対する各ロールアウトを評価し、そのエピソードレベルの信号からポリシーを更新する。 エピソードやエポック全体を通じて、モデルは変更ポリシーの下で関連する問題に何度も遭遇し、エピソードローカル更新がキャプチャーできないエピソード横断信号を生成する。 本稿では,これらのクロスエピソード信号を再利用可能なプロシージャメモリに変換し,トレーニング中のポリシーの重みに蒸留するプロシージャメモリ蒸留(PMD)を提案する。
  論文  参考訳（メタデータ） (2026-07-01T21:20:57Z)
• ActionMap: Robot Policy Learning via Voxel Action Heatmap [61.10410508218428]
  ActionMapは、ネイティブアクションデコーダの代わりに既存のVLAにドロップする。 Heatmapヘッドは、マッチしたトレーニングステップで、2つのアーキテクチャ的に異なるバックボーンを越えます。 クロスバックボーン一貫性は、アクション表現がVLAパフォーマンスの真のレバーであることを示している。
  論文  参考訳（メタデータ） (2026-06-05T04:42:56Z)
• What Frozen VLAs Already Know About Success: A Probing Study of Value-Like Structure in Foundation Robot Policies [36.91260665881213]
  ビジョン・ランゲージ・アクション(VLA)ポリシーは、アクションを模倣するように訓練されている。 凍結特性の軽量線形プローブを用いてモンテカルロの結果目標を復元する。 ゲインは普遍的ではなく、追加の推論計算を必要とするが、基礎となる発見はクリーンである。
  論文  参考訳（メタデータ） (2026-05-27T14:23:29Z)
• 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)
• Mind the Gap: Improving Success Rate of Vision-and-Language Navigation by Revisiting Oracle Success Routes [25.944819618283613]
  Vision-and-Language Navigation (VLN) は、指定された命令に従うことで、ターゲットの場所へナビゲートすることを目的としている。 VLNの長年無視されてきた問題に対処する最初の試みは、成功率(SR)とOracle成功率(OSR)のギャップを狭めることです。
  論文  参考訳（メタデータ） (2023-08-07T01:43:25Z)

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。