論文の概要: ScheNav: Schematic-Guided Object Goal Navigation
- arxiv url: http://arxiv.org/abs/2610.34286v1
- Date: Sun, 25 Oct 2026 13:37:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.573491
- Title: ScheNav: Schematic-Guided Object Goal Navigation
- Title（参考訳）: ScheNav: Schematic-Guided Object Goal Navigation
- Abstract要約: 本研究では,2つのコンポーネントを組み込んだ図式誘導型ナビゲーションのワークフローを開発する。
トレーニングデータ生成パイプラインとクローズドループナビゲーションフレームワークであるScheNavが使用されている。
実験では、図式マップ、ゴール楕円、指示方向を横断するナビゲーションの成功と経路効率が改善された。
- 参考スコア（独自算出の注目度）: 28.327953619305827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object goal navigation requires an embodied agent to locate and reach target objects in complex environments. Humans often rely on low-cost yet informative schematic maps, such as rough sketches or directional annotations. We develop a workflow for schematic-guided embodied navigation with two components: a training-data generation pipeline and ScheNav, a closed-loop navigation framework. Our lightweight data-generation pipeline turns 2D floorplans into navigation training environments, yielding Furnished-RPLAN, a dataset of over 33k furnished layouts with paired navigation episodes and noise-controllable schematic maps. ScheNav turns rough schematic guidance into exploration and stopping decisions by using SchemaField, a learned spatial module that fuses the guidance with accumulated observations and predicts spatial value fields. The framework updates these fields as exploration proceeds, with trajectory-based training and a cross-frame consistency objective supporting coherent guidance across changing viewpoints. ScheNav learns to use schematic guidance entirely from simulated floorplans and transfers this ability to unseen embodied environments. Experiments show improved navigation success and path efficiency across schematic maps, goal ellipses, and pointed directions, together with tolerance to the tested schematic perturbations and omissions. Together, these results demonstrate that rough schematic guidance offers a practical way to improve embodied navigation.
- Abstract（参考訳）: オブジェクトのゴールナビゲーションには、複雑な環境で対象のオブジェクトを見つけて到達するために、具体化されたエージェントが必要である。
人間はしばしば、粗いスケッチや方向のアノテーションなど、低コストで情報的なスキーママップに頼っている。
トレーニングデータ生成パイプラインとクローズドループナビゲーションフレームワークであるScheNavの2つのコンポーネントで,スキーマ誘導型ナビゲーションのためのワークフローを開発する。
私たちの軽量データ生成パイプラインは、2Dフロアプランをナビゲーショントレーニング環境に変換し、Furnished-RPLANという、ペア化されたナビゲーションエピソードとノイズ制御可能なスキーママップを備えた33万以上のレイアウトのデータセットを生成します。
SchemaFieldは学習された空間モジュールで、このガイダンスを蓄積した観測と空間値のフィールドを予測する。
このフレームワークは、探索が進むにつれて、これらの分野を更新し、軌道ベースのトレーニングと、変化する視点をまたいだコヒーレントガイダンスをサポートするクロスフレーム一貫性の目標を提供する。
ScheNavは、シミュレートされたフロアプランから完全にスキーマガイダンスを使用することを学び、この機能を具現化されていない環境に転送する。
実験では、テストされたスキーマの摂動と省略に対する耐性とともに、スキーママップ、ゴール楕円、ポイント方向を横断するナビゲーションの成功とパス効率が改善された。
これらの結果から,粗い図式指導は具体的ナビゲーションを改善するための実践的な方法であることが示された。
関連論文リスト
- A Topological Representation with Object-Path Graphs for Open-Vocabulary Instance Navigation [7.489703998167536]
視覚言語ナビゲーションは、自然言語の指示や視覚的な観察を使って環境をナビゲートするエンボディエージェントを必要とする。
既存のアプローチは通常、ナビゲーションをシーケンシャルな言語誘導決定に分解するか、事前の環境知識なしでオンライン探索に依存している。
本稿では,オープン語彙意味推論とトポロジ的ナビゲーションを一体化するオブジェクトパスグラフを提案する。
論文 参考訳（メタデータ） (2026-09-21T07:01:14Z) - NaViRrator: Robot Navigation from Human-Readable Maps through a Learned Visual Route [3.425151312415679]
NaViRRatorは、ユーザーが指定した地図上の開始位置とゴール位置を、事前訓練された視覚言語ナビゲーション(VLN)ポリシーのためのナビゲーション指示に変換する。
そこで本研究では,スタートゴールライン条件付きフローマッチングを用いた足場を構築し,ストレートスタートゴール経路列を地図条件付き経路に変換する。
実行中、VLNポリシーは命令とエゴセントリックな観察のみを受け取り、一方、マップと足場は上流に留まり、map-to-Languageモジュールを再トレーニングすることなく実行者を置き換えることができる。
論文 参考訳（メタデータ） (2026-09-18T04:48:37Z) - LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。
ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
論文 参考訳（メタデータ） (2026-08-31T15:08:53Z) - FOM-Nav: Frontier-Object Maps for Object Goal Navigation [65.76906445210112]
FOM-Navはフロンティアオブジェクトマップと視覚言語モデルによる探索効率を高めるフレームワークである。
FOM-Navをトレーニングするために,実環境から大規模ナビゲーションデータセットを自動構築する。
FOM-NavはMP3DとHM3Dのベンチマーク、特にナビゲーション効率の指標SPLで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-30T18:16:09Z) - SkeNa: Learning to Navigate Unseen Environments Based on Abstract Hand-Drawn Maps [20.963573846962987]
我々はSketch map-based visual Navigation (SkeNa)を紹介する。
SkeNaは、手書きのスケッチマップのみをガイダンスとして、エージェントが見えない環境でゴールに到達しなければならない、具体化されたナビゲーションタスクである。
我々は,71の屋内シーンにわたる54k軌道とスケッチマップのペアからなる大規模データセットSoRを提案する。
論文 参考訳（メタデータ） (2025-08-05T03:56:32Z) - PRET: Planning with Directed Fidelity Trajectory for Vision and Language Navigation [30.710806048991923]
視覚と言語ナビゲーションは、エージェントが自然言語の指示に従ってナビゲートする必要があるタスクである。
近年の手法では、各ステップで構築されたトポロジーマップのサブゴールを予測し、長期的な行動計画を可能にする。
本稿では,指示と指向性軌道のアライメントを考慮し,ナビゲーション計画を容易にする方法を提案する。
論文 参考訳（メタデータ） (2024-07-16T08:22:18Z) - 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) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳（メタデータ） (2022-02-23T02:14:23Z) - Lifelong Topological Visual Navigation [16.41858724205884]
本稿では,生涯ナビゲーション性能を時間とともに向上させるグラフ更新戦略を用いた学習型ビジュアルナビゲーション手法を提案する。
画像に基づくトポロジグラフを構築するためのサンプリングベースの計画アルゴリズムから着想を得た結果,スペーサーグラフはベースライン法に比べてナビゲーション性能が高い。
固定的なトレーニング環境から学習するコントローラとは異なり、ロボットが配置される実環境から比較的小さなデータセットを使ってモデルを微調整できることが示される。
論文 参考訳（メタデータ） (2021-10-16T06:16:14Z) - Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。
本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
論文 参考訳（メタデータ） (2020-07-01T17:52:32Z)
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。