何が起きたか
CLOSERは、ObjectNavで候補物体を見つけた際に、その場で止まって即断するのではなく、視覚証拠を追加で集めながら判定する枠組みを提案した。発表は2026-10-20で、open-source VLMを使った視点別の判定、補完的な視点の選択、判定確率の統合、必要に応じた接近制御を組み合わせる。GibsonとHabitat-Matterport 3Dでは、平均成功率が3.6ポイント、success weighted by path lengthが2.0ポイント上がったとしている。
詳細
CLOSERは、追跡した候補をフレームごとに target、non-target、uncertain の3分類でラベル付けするようopen-source VLMをfine-tuneする。さらに、embedding-based diversity gateで補完的な視点を選び、各視点の確率を軽量ネットワークで融合する。融合後も不確実なら、tracked maskとdepthだけを用いるdiffusion policyで候補へ近づき、判定が決定的になるまで観測を続ける。既存のObjectNavシステムを再学習せずにローカル実行できるとしている。
Key Facts
| CLOSERは、ObjectNav向けのevidence-aware active verification frameworkである。 | [1] |
| open-source VLMをfine-tuneし、各視点を target / non-target / uncertain に分類する。 | [1] |
| embedding-based diversity gateで補完的な視点を選ぶ。 | [1] |
| tracked maskとdepthのみを使うdiffusion policyで、必要時に候補へ接近する。 | [1] |
| GibsonとHabitat-Matterport 3Dで、average success rateを3.6ポイント、success weighted by path lengthを2.0ポイント改善した。 | [1] |
本紙の見方
CLOSERの新しさは、ObjectNavにおける「止まるか進むか」の二択を、証拠収集の閉ループとして扱い直した点にある。従来の検出器依存型システムでは、ソファをベッドと誤認するような近似対象に引きずられることがあり、誤停止が失敗になる。これに対し、CLOSERはVLMの視点別判定と、補完視点の選択、確率融合、さらに不確実時の再接近を一続きにしており、判定精度だけでなく行動の進め方そのものを組み替えている。 本紙の見方として重要なのは、この手法が既存システムを再学習せずに差し込める点である。つまり、ObjectNavの主系を置き換えるのではなく、候補物体の最終判断だけを後段で強化する構造だと読める。GibsonとHabitat-Matterport 3Dでの改善幅は3.6ポイントと2.0ポイントで、劇的な置換というより、誤停止や見落としがボトルネックになっていた場面を狙っているとみられる。ここからは、認識モデルの更新よりも、どの段階で追加観測を入れるかという制御設計が性能を左右することが示唆される。 一方で、未確定の論点も残る。まず、改善がどの種類の対象物や環境で大きいのかは本文だけでは限定しにくい。次に、lightweight networkによる確率融合やdiffusion policyの計算負荷が、実機のオンボード推論でどの程度の制約になるかは確認が必要である。最後に、再学習なしで既存ObjectNavへ接続できるとしても、異なるセンサー構成や地図表現で同じ挙動が保てるかは、今後の評価が焦点になる。
なぜ重要か
ObjectNavでは、検出器が候補を誤って確信した瞬間に失敗へつながる。CLOSERは、VLMの視点別判定と追加観測を組み合わせることで、この最終局面の誤停止を抑える設計を示した。既存システムに再学習なしで載せられるとしているため、実装上の置き換えコストを抑えたい研究・開発の文脈で意味を持つとみられる。