論文の概要: RetroNav: Scene-Grounded Retrospection and Retry for Self-Evolving Lifelong Navigation
- arxiv url: http://arxiv.org/abs/2610.35172v1
- Date: Mon, 26 Oct 2026 10:35:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.829797
- Title: RetroNav: Scene-Grounded Retrospection and Retry for Self-Evolving Lifelong Navigation
- Title（参考訳）: RetroNav:Scene-Grounded Retrospection and Retry for Self-Evolving Lifelong Navigation
- Abstract要約: RetroNavは、ナビゲーション、メモリ蓄積、障害リフレクションを統合する、自己進化型のナビゲーションフレームワークである。
我々は、幾何学的・意味的なシーン知識と過去のナビゲーション体験を結びつける統合記憶システムを開発した。
ふりかえりエージェントは、蓄積されたシーン知識とナビゲーション記録を使用して歴史的決定を再考し、次の試みを導くために証拠を根拠とした試行を簡潔に生成する。
- 参考スコア（独自算出の注目度）: 19.80261715693062
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing robot navigation methods primarily focus on isolated tasks, overlooking the need to accumulate knowledge and experience across repeated navigation episodes. Although recent lifelong navigation methods have explored cross-task knowledge accumulation, they mainly focus on scene knowledge while neglecting historical navigation experience and its connection to scene evidence, limiting the ability to reflect on past mistakes and improve future decisions. To address this limitation, this paper presents RetroNav, a training-free self-evolving navigation framework that integrates navigation, memory accumulation, and failure reflection. Specifically, we develop a unified memory system that connects geometric and semantic scene knowledge with historical navigation experience, distinguishing objective observations from task-dependent interpretations. After each navigation attempt, an independent evaluator determines whether a retry is necessary. If so, a Retrospection Agent revisits historical decisions using accumulated scene knowledge and navigation records, generating an evidence-grounded retry brief to guide the next attempt. RetroNav achieves state-of-the-art performance across five navigation benchmarks. Our method will be open-sourced at https://github.com/3dv-casia/RetroNav .
- Abstract（参考訳）: 既存のロボットナビゲーション手法は、主に独立したタスクに焦点を当てており、繰り返し行われるナビゲーションエピソードの知識と経験を蓄積する必要性を見越している。
最近の生涯にわたるナビゲーション手法は、クロスタスクの知識蓄積を探索してきたが、それらは主に、過去のナビゲーション経験を無視しながらシーン知識に焦点を合わせ、過去のミスを反映し、将来の意思決定を改善する能力を制限する。
この制限に対処するために,ナビゲーション,メモリ蓄積,障害リフレクションを統合した,トレーニング不要な自己進化型ナビゲーションフレームワークRetroNavを提案する。
具体的には、幾何学的・意味的なシーン知識と過去のナビゲーション体験を結びつける統合記憶システムを構築し、タスク依存の解釈から客観的な観察を区別する。
各ナビゲーション試行の後、独立評価器は再試行が必要かどうかを判定する。
もしそうなら、ふりかえりエージェントは蓄積されたシーン知識とナビゲーション記録を使用して歴史的決定を再考し、次の試みを導くために証拠を根拠とした試行を簡潔に生成する。
RetroNavは5つのナビゲーションベンチマークで最先端のパフォーマンスを実現している。
私たちのメソッドはhttps://github.com/3dv-casia/RetroNavでオープンソース化されます。
関連論文リスト
- FireNav: Decision-Oriented Reconstruction Evidence Routing for Vision-Language Navigation in Indoor Fire Environments [56.955773028854985]
視覚言語ナビゲーション(VLN)における視覚修復とナビゲーションユーティリティを整合させる,意思決定指向の再構築エビデンスルーティングフレームワークFireNavを提案する。
実験によると、FireNavは、ナビゲーションの成功と評価設定間のパス効率の両方において、最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-10-11T13:20:04Z) - LERR-Nav: Learning to Coordinate Exploration, Recovery, and Reminiscing for Object Navigation [15.56415756506933]
本稿では,探索,回復,回想を協調するオブジェクトナビゲーションフレームワークLERR-Navを提案する。
ヒストリー・アウェア・コーディネーションをサポートするため、すべての戦略実行のテキスト要約を保持する実行メモリを保守する。
HM3DとMP3Dの実験は、最先端のナビゲーション性能を示し、アブレーション研究は個々のコンポーネントの寄与を検証する。
論文 参考訳（メタデータ） (2026-10-11T05:38:33Z) - Lifelong small-object navigation in changing object layouts: a benchmark and method [60.642096348895876]
家庭内のロボットは、同じ環境のさまざまな物体に継続的に行き来する必要がある。
本稿では,この課題をLiSoNav-COL (LiSoNav-COL) における生涯小物体ナビゲーションとして定式化する。
エージェントは、信頼できる観察のために適切な視点を求め、シーン知識を蓄積し再利用し、オブジェクトの移動後に古いメモリを更新する必要がある。
論文 参考訳（メタデータ） (2026-10-07T14:07:34Z) - Reflection-Based Memory For Web navigation Agents [0.6383640665055312]
リフレクション・アジュメンテーション・プランニング(Respection-Augment Planning, ReAP)は, 自己回帰を用いて過去の成功と失敗の両方を活用できるウェブナビゲーションシステムである。
提案手法は, これまでに失敗したタスクに対して, 11ポイント, 29ポイントのベースライン結果を改善する。
論文 参考訳（メタデータ） (2025-06-02T18:39:55Z) - Efficient Strategy Learning by Decoupling Searching and Pathfinding for Object Navigation [11.816377162334401]
オブジェクトナビゲーションのための2段階リワード機構(TSRM)は、エピソード内の探索とパスフィニングの動作を分離する。
また,Depth Enhanced Masked Autoencoders (DE-MAE) の事前学習手法を提案する。
さらに,探索経路長(SSSPL)を重み付けした探索成功度尺度を提案し,エージェントの探索能力と探索効率を評価する。
論文 参考訳（メタデータ） (2024-06-20T08:35:10Z) - Towards Versatile Embodied Navigation [120.73460380993305]
ウィーンは多機能なエンボディナビゲーションエージェントであり、同時に4つのナビゲーションタスクを1つのモデルで実行することを学ぶ。
視覚的なナビゲーションタスクを個別に学習するのに対し、エージェントは複雑さを減らして同等またはそれ以上の性能を達成することを実証的に実証した。
論文 参考訳（メタデータ） (2022-10-30T11:53:49Z) - Explore before Moving: A Feasible Path Estimation and Memory Recalling
Framework for Embodied Navigation [117.26891277593205]
ナビゲーションに焦点をあて,経験や常識に欠ける既存のナビゲーションアルゴリズムの問題を解決する。
移動前に2回思考する能力に触発されて、不慣れな場面で目標を追求する実現可能な経路を考案し、パス推定とメモリリコールフレームワークと呼ばれる経路計画手法を提案する。
EmbodiedQAナビゲーションタスクにおけるPEMRの強力な実験結果を示す。
論文 参考訳（メタデータ） (2021-10-16T13:30:55Z) - Deep Learning for Embodied Vision Navigation: A Survey [108.13766213265069]
身体的視覚ナビゲーション」問題では、エージェントが3D環境をナビゲートする必要がある。
本稿では、総合的な文献調査を提供することで、視覚ナビゲーションの具体的分野における現在の研究の概要を確立することを試みる。
論文 参考訳（メタデータ） (2021-07-07T12:09:04Z) - Active Visual Information Gathering for Vision-Language Navigation [115.40768457718325]
視覚言語ナビゲーション(VLN)は、エージェントがフォトリアリスティックな環境の中でナビゲーションの指示を行うためのタスクである。
VLNの重要な課題の1つは、曖昧な指示による不確実性を緩和し、環境の観察を不十分にすることで、堅牢なナビゲーションを行う方法である。
この研究は、人間のナビゲーション行動からインスピレーションを得て、よりインテリジェントなVLNポリシーのためのアクティブな情報収集能力を持つエージェントを提供する。
論文 参考訳（メタデータ） (2020-07-15T23:54:20Z)
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。