論文の概要: MessyNav: Zero-Shot Navigation via Manipulation in Messy Environments

• arxiv url: http://arxiv.org/abs/2611.07417v1
• Date: Thu, 05 Nov 2026 04:12:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.544658
• Title: MessyNav: Zero-Shot Navigation via Manipulation in Messy Environments
• Title（参考訳）: MessyNav:メッシー環境での操作によるゼロショットナビゲーション
• Abstract要約: MessyNavは視覚言語モデル(VLM)に基づくオープンワールドインタラクティブナビゲーションフレームワーク 中心となるMessyNavは、タスク計画の前に明示的なVLMベースの割当推論を実行し、スワイプ、ピックアップ、あるいはオブジェクトの回避を判断する。 実環境および屋外環境における移動マニピュレータの評価
• 参考スコア（独自算出の注目度）: 9.703097088239726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world environments are messy, with paths often blocked by everyday objects like chairs and toys, requiring robots to perform interactive navigation by manipulating obstacles to clear a path. Existing methods rely on extensive simulation-based learning or per-scene instructions specifying which objects to avoid or manipulate. They struggle to generalize across novel objects, diverse environments, and varied contexts such as a cart of fragile glassware that should be avoided while an empty one can be pushed. We formalize this problem as open-world interactive navigation and present MessyNav, a zero-shot framework based on vision-language models (VLMs). At its core, MessyNav performs explicit VLM-based affordance reasoning before task planning to decide whether to swipe, pick up, or avoid an object and produce a high-level plan. Evaluated on a mobile manipulator across real-world indoor and outdoor environments, MessyNav improves success rate by 27 percentage points (pp) over the strongest baseline in real-robot trials and achieves statistically significant gains in a larger-scale offline evaluation, without task-specific training.
• Abstract（参考訳）: 現実世界の環境は乱雑で、椅子やおもちゃのような日常の物体によって経路がブロックされることが多く、障害物を操作することでロボットが対話的なナビゲーションを行う必要がある。 既存の手法は、シミュレーションベースの学習や、どのオブジェクトを回避または操作するかを指定するシーンごとの指示に依存している。 彼らは、新しいオブジェクト、多様な環境、そして、空のものをプッシュしながら避けるべき脆弱なガラス製品のカートのような様々なコンテキストを一般化するのに苦労している。 本稿では,この問題をオープンワールドインタラクティブナビゲーションとして定式化し,視覚言語モデル(VLM)に基づくゼロショットフレームワークであるMessyNavを提示する。 中心となるMessyNavは、タスク計画の前に明示的なVLMベースの割当推論を実行し、スワイプ、ピックアップ、あるいはオブジェクトの回避を判断し、ハイレベルプランを作成する。 実世界の屋内および屋外環境における移動マニピュレータの評価において、MessyNavは、実ロボット試験において最強のベースラインよりも27パーセント(pp)の成功率を向上し、タスク固有のトレーニングを伴わずに大規模なオフライン評価において統計的に有意な利益を達成する。

関連論文リスト

• SuperNav: An Agentic Navigation System for Any Task in Any Scene [87.46227831610359]
  汎用サービスロボットは、不慣れな環境で多様な人間の要求を処理できるナビゲーションシステムを必要とする。 SuperNavは、MLLMのナビゲーション固有の微調整なしで、特別なエージェントハーネスを備えた事前訓練されたMLLMを装備する。 SuperNavは、インスタンスレベル、マルチオブジェクト、要求駆動タスクで評価されたベースラインを4つ上回っている。
  論文  参考訳（メタデータ） (2026-10-08T15:19:40Z)
• Multi-Task Visual Perception Network with LLM Conditioning for Autonomous Navigation [4.075320514790725]
  サービスロボットの長期ナビゲーションは、計測ドリフトの蓄積やセンサーエラーといった課題に直面している。 本稿では,グローバルな一貫した地図への依存を解消する,ユーザフレンドリでインタラクティブなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:38:52Z)
• 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)
• OpenFrontier: General Navigation with Visual-Language Grounded Frontiers [54.661157616245966]
  オープンワールドナビゲーションでは、複雑な日常環境においてロボットが意思決定を行う必要がある。 近年の視覚-言語ナビゲーション(VLN)と視覚-言語-アクション(VLA)モデルは、自然言語で条件付けられたエンドツーエンドのポリシーを実現する。 多様な視覚をシームレスに統合するトレーニングフリーナビゲーションフレームワークであるOpenFrontierを提案する。
  論文  参考訳（メタデータ） (2026-03-05T17:02:22Z)
• To Move or Not to Move: Constraint-based Planning Enables Zero-Shot Generalization for Interactive Navigation [14.745622942938532]
  家庭環境や倉庫のような現実のシナリオでは、クラッタはすべてのルートをブロックすることができる。 本稿では,移動ロボットが乱雑に移動して自身の進路を鍛える,Lifelong Interactive Navigation問題を紹介する。 アクティブな認識を伴うLLM駆動制約に基づく計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T17:10:00Z)
• CoINS: Counterfactual Interactive Navigation via Skill-Aware VLM [13.352875026471445]
  スキル認識型VLM(CoINS)による対物対話ナビゲーションを提案する。 我々は、スキルの余裕と具体的な制約パラメータを入力コンテキストに組み込んだ、InterNav-VLMというVLMを微調整する。 生成した高レベルプランを実行するために,強化学習による総合的なスキルライブラリを開発する。
  論文  参考訳（メタデータ） (2026-01-07T14:10:46Z)
• ESC: Exploration with Soft Commonsense Constraints for Zero-shot Object Navigation [75.13546386761153]
  我々は,新しいゼロショットオブジェクトナビゲーション手法であるExploration with Soft Commonsense constraints (ESC)を提案する。 ESCは、事前訓練されたモデルのコモンセンス知識を、ナビゲーション経験のないオープンワールドオブジェクトナビゲーションに転送する。 MP3D, HM3D, RoboTHORのベンチマーク実験により, ESC法はベースラインよりも大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2023-01-30T18:37:32Z)
• A Contextual Bandit Approach for Learning to Plan in Environments with Probabilistic Goal Configurations [20.15854546504947]
  本研究では,静的なオブジェクトだけでなく可動なオブジェクトに対しても,屋内環境を効率的に探索できるオブジェクトナビのためのモジュラーフレームワークを提案する。 我々は,不確実性に直面した場合の楽観性を示すことにより,環境を効率的に探索する。 提案アルゴリズムを2つのシミュレーション環境と実世界の環境で評価し,高いサンプル効率と信頼性を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:48:54Z)
• Embodied Visual Navigation with Automatic Curriculum Learning in Real Environments [20.017277077448924]
  NavACLは、ナビゲーションタスクに適した自動カリキュラム学習の方法である。 NavACLを用いて訓練した深層強化学習剤は、均一サンプリングで訓練した最先端エージェントよりも有意に優れていた。 我々のエージェントは、未知の乱雑な屋内環境から、RGB画像のみを使用して意味的に特定されたターゲットへ移動することができる。
  論文  参考訳（メタデータ） (2020-09-11T13:28:26Z)

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。