VLN方策の履歴消去と経路復帰を学習する「MOON」を提案

何が起きたか

arXiv掲載論文「MOON: Learning When to Forget and How to Move On in Vision-and-Language Navigation」は2026年10月24日、視覚・言語ナビゲーション（VLN）方策が経路を外れた際に履歴を消去し、復帰動作を学習する枠組みMOONを提案した。基盤方策は凍結し、追加する2つのモジュールはパラメーター数の1%未満としている。

詳細

MOONは、逸脱を判定して警報を出し、視覚履歴を消去する「deviation judge」と、警報が出た状態からGRPOで学習する「recovery policy」で構成する。論文はR2R-CEとRxR-CEで評価し、比較手法中でR2R-CEの成功率が最も高かったと報告した。また、凍結した基盤方策に対し、成功率をそれぞれ5.2ポイント、6.0ポイント引き上げたとしている。 4つのVLN方策への介入実験では、逸脱開始時に履歴を消去すると、まとめた成功率が倍増した一方、経路上では低下した。逸脱後半に経路外のフレームだけを除く効果は小さく、ランダムな消去タイミングを用いた比較では、改善に消去時点が関係することが示された。追加学習なしのゼロショット物体目標ナビゲーションでも、HM3D-OVONで改善したという。

Key Facts

本紙の見方

この研究の焦点は、ナビゲーション方策に履歴を持たせるか否かではなく、逸脱を検出した時点で履歴を捨てる制御を加えた点にある。逸脱開始時の消去で成功率が倍増し、経路上で同じ操作をすると低下したという結果は、履歴消去が常時有効な処理ではなく、状態に応じて使い分ける介入だと示す。MOONは「忘れる判断」と「その後の復帰」を別モジュールに担わせている。 もう一つの論点は、履歴の一部だけを除く操作と、履歴全体を消す操作の差だ。論文では逸脱後半に経路外フレームだけを取り除く効果は小さく、逸脱後も残った履歴が必要な旋回を妨げる状態を「behavioral inertia」と呼ぶ。これは、誤った視覚情報を削るだけでなく、過去の行動に引きずられる状態から方策を切り替える必要がある、という問題設定である。ただし、どの場面で履歴全体の消去が有利かは、実験で示された条件を超えて一般化できるとは限らない。 実装面では、基盤方策を凍結し、追加パラメーターを1%未満に抑えながら、逸脱判定器と復帰方策を加える構成が特徴となる。復帰方策は警報状態からGRPOで訓練され、サンプリングでは得られる成功を、単一のgreedy rolloutでも実現することを目指す。したがって、論文が示すのはナビゲーション方策全体の再学習ではなく、誤進行の検出と復帰に絞った追加機構の評価である。パラメーターの増加が1%未満という数値だけでは、推論遅延やメモリー使用量まで小さいとは判断できない。 評価はR2R-CE、RxR-CEでの成功率に加え、HM3D-OVONでの追加学習なしのゼロショット物体目標ナビゲーションに及ぶ。用途の異なる評価で改善を報告した点は、逸脱後の履歴処理が特定の指示追従タスクだけに限られるかを考える材料となる。一方、要旨からは、成功率の具体的な基準値、各環境での個別条件、実機での動作、安全性や失敗時の影響は確認できない。次に見るべきなのは、逸脱判定の誤警報・見逃し、履歴消去が有効な条件の範囲、実機での復帰の再現性である。

なぜ重要か

論文の介入実験では、履歴消去の効果は逸脱開始時と経路上で逆方向に現れ、消去のタイミングが改善に関係するとされた。経路逸脱後の履歴を一律に扱うのでなく、逸脱判定と復帰動作を分けて設計する必要性を、VLNの成功率という評価指標で検討した研究である。