ABot-N1、都市規模ナビゲーションで新記録 視覚言語基盤モデルを発表

何が起きたか

研究チームは2026年7月11日、視覚言語ナビゲーションの基盤モデル「ABot-N1」を発表した。同モデルは、認知と制御を分離するスロー・ファストアーキテクチャを採用し、都市規模のナビゲーションでPOI到着率を35.0%向上させ77.3%に達した。また、屋内・屋外の複雑なシーンでSR 95.4%/92.9%を達成し、新たなベンチマークを公開した。

詳細

ABot-N1は、視覚言語ナビゲーションの基盤モデルであり、スローな視覚言語推論器が明示的なChain-of-Thought推論を行い、ピクセル目標を生成する。このピクセル空間のアンカーポイントが、ポイントゴール、オブジェクトゴール、POIゴール、指示追従、人物追従などの多様なタスクの共通インターフェースとなる。高速なアクションエキスパートは、テキストの手がかりとピクセルガイダンスを利用して、ネイティブ制御周波数で連続ウェイポイントを生成する。これにより、高レベルの意図と低レベルの制御を橋渡しし、シミュレーションと実世界のベンチマークで堅牢で一般化可能、かつ解釈可能なナビゲーションを実現する。

Key Facts

本紙の見方

今回の発表は、視覚言語ナビゲーション（VLN）分野における基盤モデルの新たな一歩として位置づけられる。従来のVLNモデルは、観測を直接行動にマッピングするモノリシックな方策が主流であり、座標ドリフトや長尾の意味論への対応が課題とされてきた。ABot-N1は、認知と制御を分離するスロー・ファストアーキテクチャを導入し、スローな推論器が明示的な推論を行いピクセル目標を生成することで、解釈可能性を高めつつ、高速な制御を実現している。このアプローチは、汎用性と堅牢性を両立させる試みであり、特に都市規模のナビゲーションでの性能向上が顕著である。 本紙の過去報道との接続はないが、VLN分野の進展として、基盤モデルの統合が進む中で、認知と制御の分離という設計思想は、今後のロボットナビゲーションの標準となる可能性がある。特に、ピクセル空間のアンカーポイントを共通インターフェースとすることで、多様なタスクに適用できる点は、汎用ロボットの実現に向けた重要なステップとみられる。 業界構造への含意としては、VLN基盤モデルの性能向上が、物流ロボットやサービスロボットの実用化を加速させる可能性がある。特に、都市規模のナビゲーションでの高い到着率は、配送ロボットや移動支援ロボットの実運用に直結する。また、オープンソースのベンチマーク公開は、研究コミュニティの標準化を促進し、競争を激化させると考えられる。 未確定の論点としては、実世界でのロバスト性がシミュレーションとどの程度一致するか、また、計算コストや推論速度が実用要件を満たすかが焦点となる。さらに、長尾の意味論への対応や、未知の環境での一般化性能も今後の検証が必要である。

なぜ重要か

ABot-N1の成果は、視覚言語ナビゲーションの基盤モデルが、都市規模の複雑な環境で実用的な性能に達しつつあることを示す。これは、ロボットの自律移動技術の進展を象徴し、物流やサービス分野での応用可能性を広げる。また、オープンソースのベンチマーク公開は、研究開発の加速と標準化に寄与するだろう。