2026/8/1arXiv:2608.12707

SAP-Nav: Spatial Semantic Representation Meets Active Perception for Hierarchical Open-Vocabulary Object Navigation

詳しい要約

1. どんなもの？

SAP-Navは、階層的オープンボキャブラリ物体ナビゲーション（hierarchical OVON）のための、完全オンラインでゼロショットのフレームワークである。エージェントは、シーン、部屋、領域、インスタンスレベルの手がかりを含む自由形式の指示に従い、未知環境をナビゲートする。SAP-Navは、能動的に取得した部屋のビューからQueryable Spatial-Semantic Representationを段階的に構築し、任意の探索位置から空間意味クエリを可能にする。さらに、Active Viewpoint Verificationを用いて、現在の観測が十分な証拠を提供するか評価し、必要に応じてより情報量の多い視点にエージェントを再配置してから、カテゴリと属性の制約に照らして候補を検証する。

2. 先行研究と比べてどこがすごい？

先行研究のLangMapが階層的OVONを形式化したが、部分観測下での解決は困難であり、空間的接地には環境レベルの持続的証拠が必要で、目標検証には明確で識別可能な候補ビューが必要である。SAP-Navは、能動的知覚を通じてこれらの要件に対処する点が新しい。また、タスク固有のトレーニングや事前計算されたシーンマップを必要とせず、階層的および標準的なカテゴリレベルのOVONの両方をサポートする。

3. 技術・手法の肝は？

手法の肝は、能動的知覚に基づく2つの主要コンポーネントにある。第一に、Queryable Spatial-Semantic Representationを能動的に取得した部屋のビューからインクリメンタルに構築し、任意の探索位置から空間意味クエリを可能にする。第二に、Active Viewpoint Verificationを導入し、現在の観測が十分な証拠を提供するか評価し、必要に応じてより情報量の多い視点にエージェントを再配置してから、カテゴリと属性の制約に照らして候補を検証する。

4. どうやって有効だと検証した？

LangMapとHM3D-OVONデータセットで実験を行い、階層的および標準的なカテゴリレベルのOVONの両方で評価した。特に、領域レベルのナビゲーションでは、トレーニングベースの手法と比較してSR（成功率）を12.2%向上させ、全体的に最高の性能を達成した。さらに、実世界のロボット実験で実用性を実証した。

5. 議論はある？

要旨からは、議論の余地や限界についての具体的な言及は不明である。ただし、完全オンラインでゼロショットであることから、トレーニングベースの手法と比較して性能が向上した点は注目に値する。また、実世界実験の成功は、シミュレーションと実環境のギャップを埋める可能性を示唆するが、詳細な議論は要旨には含まれていない。

6. 次に読むべき論文は？

次に読むべき論文は、要旨で参照されているLangMap（階層的OVONを形式化した研究）と、HM3D-OVONデータセットに関する研究である。また、関連するオープンボキャブラリ物体ナビゲーションの手法や、能動的知覚を用いたナビゲーション研究も挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xuetong Pei, Jian Liu, Vidura Munasinghe, Bo Miao, U-Xuan Tan, Wenrui Ding, Na Zhao

分類: cs.RO

原文アブストラクト

Hierarchical open-vocabulary object navigation (OVON) requires agents to follow free-form instructions that may specify targets through scene-, room-, region-, and instance-level cues in unseen environments. Although recent work LangMap has formalized this setting, reliably solving it under partial observations remains challenging: spatial grounding requires persistent environment-level evidence, whereas target verification requires clear and discriminative candidate views. We present SAP-Nav, a fully online, zero-shot framework that addresses both requirements through active perception. SAP-Nav incrementally constructs a Queryable Spatial-Semantic Representation from actively acquired room views, enabling spatial semantic queries from any explored location. It further employs Active Viewpoint Verification to assess whether the current observation provides sufficient evidence and, when necessary, reposition the agent to a more informative viewpoint before verifying candidates against category and attribute constraints. Although designed for hierarchical OVON, SAP-Nav supports both hierarchical and standard category-level OVON without task-specific training or precomputed scene maps. Experiments on LangMap and HM3D-OVON show that SAP-Nav achieves the overall best performance, including a 12.2% improvement in SR over training-based methods on region-level navigation. Real-world robot experiments further demonstrate its practical feasibility. Code will be made publicly available upon acceptance.

arXivで原文を読む →arXiv概要ページ

← 論文一覧