何が起きたか
arXiv掲載の論文「C$^2$Nav: Compare Before You Commit for Zero-Shot Vision-and-Language Navigation」は、連続環境のゼロショット視覚言語ナビゲーション（VLN-CE）に向けて、訓練不要のフレームワークC2Navを提案した。VLMに方位角や進捗値、到着可否のような直接的な出力を求めるのではなく、候補を比較させる役割に置き、幾何や閾値、実行動作は物理側に残す設計である。
詳細
C2Navは3つの機能で構成される。Seeingは物理的に検証された候補視点の中から順序づけを行うGaze Electionを担い、Rememberingは簡潔な経路スケッチを保持しつつ隣接する指示区間の仮説を比較する。Arrivingは、ためらいの段階を設けた上で、振り返り比較と可逆的な後退歩行により停止判断を行う。 論文は公的ベンチマークOpenNav R2R-CE 100で評価し、Qwen3-VL-8B-Instructを用いたC2NavはOSR 41.0%、SR 31.0%、SPL 16.7%を記録した。同じインターフェースを標準のGPT-5.5モデルに適用した場合は、OSR 54.0%、SR 44.0%、SPL 29.0%だった。全機能のアブレーションでは、Seeingを外すとSRは14.0%、Rememberingを外すと25.0%、Arrivingを外すと29.0%まで低下した。役割を入れ替え、比較応答の形式だけを方位・絶対値型の質問に戻す実験では、空間・遷移・終端の各 स्लॉटでSRがそれぞれ12.0%、28.0%、21.0%になった。
Key Facts
| C2Navは、ゼロショットの視覚言語ナビゲーション向けの訓練不要フレームワークである。 | [1] |
| 論文は、VLMに幾何や閾値、行動量、到着判断を直接出力させず、候補比較を担わせるインターフェースを提案している。 | [1] |
| C2NavはSeeing、Remembering、Arrivingの3機能で構成される。 | [1] |
| OpenNav R2R-CE 100で、Qwen3-VL-8B-Instruct版はOSR 41.0%、SR 31.0%、SPL 16.7%だった。 | [1] |
| 同じインターフェースを標準のGPT-5.5モデルに適用すると、OSR 54.0%、SR 44.0%、SPL 29.0%だった。 | [1] |
本紙の見方
この論文の新しさは、視覚言語モデルをナビゲーションの「実行主体」に置かず、候補比較の判断層として使う点にある。既存のVLN-CE系では、方位や進捗、到着可否のようなカードinalな出力をモデルに求めがちだが、C2Navはそれを避け、幾何・閾値・動作量を物理側に残す。つまり、モデルの言語的判断とロボット側の運動制御を分離する設計であり、同じゼロショット設定でも、出力形式そのものが性能に影響することを示した構図である。 数値面では、Qwen3-VL-8B-Instruct版のSR 31.0%に対し、GPT-5.5版はSR 44.0%だった。ここから読めるのは、C2Navが単なるプロンプト工夫ではなく、比較インターフェースと基盤モデルの推論力が組み合わさって初めて効果を持つという点である。アブレーションでも、Seeing・Remembering・Arrivingのいずれを外してもSRが落ちており、3機能が補完関係にあることがうかがえる。さらに、比較応答を方位や絶対値型の質問に戻すだけでSRが大きく下がっているため、形式の制約が実務上の停止判断や経路選択に直結する可能性がある。 ただし、この論文が示す論点は、VLMの能力向上だけではなく、ロボット側の入出力設計が成否を左右するという点にある。VLN-CEで今後確認すべきなのは、ベンチマーク外環境での再現性、候補視点の生成条件、停止判断の誤差、そしてQwen3-VL-8B-InstructとGPT-5.5以外のモデルでも同じ傾向が出るかである。比較インターフェースがどの程度一般化するかが、次の焦点になる。
なぜ重要か
発表元の論文によれば、C2NavはVLMに直接的な幾何出力を要求せず、比較判断に役割を絞ることでVLN-CEを扱っている。これは、モデル性能だけでなく、ロボット側の指示形式や停止設計が成果を左右することを示す。