ZJU3DV、汎用ナビゲーション手法「SuperNav」を発表　MLLMの移動制御を分離

何が起きたか

浙江大学系の研究チームは2026年10月8日、論文「SuperNav: An Agentic Navigation System for Any Task in Any Scene」をarXivで公開した。主題は、汎用のサービスロボット向けに、見知らぬ環境でも多様な依頼に応じるナビゲーションシステムである。MLLMをナビゲーション専用に微調整せず、理解・判断を担わせ、移動実行は別のツールに分離する構成を提案した。

詳細

SuperNavは、事前学習済みのMLLMに専用のエージェント用ハーネスを組み合わせる。ハーネスには、Navigation Skills、物理的な相互作用のためのagent-oriented Tools、task-progressとcontext managementが含まれる。さらに、統一されたvisual-point interfaceにより、モデルは画像上で目的地を直接指定でき、実行フィードバックに応じて判断を修正できる。 評価では、instance-level、multi-object、demand-drivenの各タスクで4つの比較対象ベースラインを上回った。加えて、HM3Dでのカテゴリレベル評価と、実環境の四足歩行ロボットへの展開も示されている。

Key Facts

本紙の見方

今回の新規性は、ナビゲーションを「言語モデルが全部やる」方式から切り離し、MLLMを判断系、移動を実行系として分業させた点にある。ナビゲーション専用の微調整を外しても、事前学習済みMLLMの一般能力を保ちながら、Navigation Skillsやagent-oriented Toolsで実世界の操作に接続する設計は、従来のタスク特化型学習とは発想が異なる。一方で、これは完全な新概念というより、既存のMLLMとツール利用をロボット移動へ適用した構造の延長でもある。 本紙の観点では、公開された情報だけでも、構成要素が「理解・判断」「物理操作」「進行管理」「視覚上の目的地指定」という4層に分かれている点が重要である。過去記事がないため直接の連続性は示せないが、この分離は、単一モデルでのend-to-end制御よりも、失敗箇所を切り分けやすい。画像上のvisual-point interfaceは、言語だけでは曖昧になりやすい目的地指定を視覚座標に落とし込むため、実装上は移動計画と実行フィードバックの往復を前提にしていると読める。 業界構造への含意は、ロボットの競争軸が「モデルの汎化」だけでなく、「実世界の操作をどうツール化し、どう状態管理するか」に広がる点にある。ナビゲーション専用学習を減らせるなら、学習データのカバー範囲不足がそのまま性能限界になる問題を和らげる可能性がある。ただし、論文要約だけでは、どの程度の環境差・物体差・指示差まで耐えるかは読み切れない。実機での四足歩行ロボット展開は示されたが、速度、成功率、失敗条件、遅延、再計画の回数は確認が必要である。

なぜ重要か

arXiv要約によれば、SuperNavはMLLMの役割を判断に寄せ、移動は別のツールに分離しているため、ロボット側の学習負荷の置き方が従来と異なる。四足歩行ロボットへの展開まで示したことで、研究段階の概念実証にとどまらず、実機ナビゲーションへの接続を意識した設計であることが分かる。

日本への影響

日本のロボット開発では、移動制御そのものだけでなく、視覚インターフェース、状態管理、実機フィードバックを束ねる実装力が焦点になり得る。特に、ナビゲーション専用の再学習を減らす構成が一般化すれば、個別環境ごとの学習データ整備に強みを持つ企業と、ツール実装に強い企業の役割分担がより明確になる可能性がある。