STEGNav: 時空間イベントグラフ推論によるマルチモーダル生涯物体ナビゲーション

STEGNavは、マルチモーダル生涯ナビゲーション（Multimodal Lifelong Navigation）のための訓練不要（training-free）なフレームワークである。従来のシーングラフを、空間軸と時間軸に沿って拡張した時空間イベントグラフ（Spatio-Temporal Event Graph）を構築し、VLMベースのナビゲーションエージェントがこのグラフ上で推論して、次のナビゲーション目標（対象インスタンスまたは探索フロンティア）を選択する。

既存手法は状態中心のセマンティックシーングラフを構築し、それを永続的なセマンティック観測のリポジトリとして扱うが、類似インスタンスの区別が困難で、セマンティック目標と探索フロンティアを共同で表現できず、ナビゲーションメモリと軌跡経験を効果的に活用できない。STEGNavは、空間軸でクエリ条件付きインスタンス接地と到達可能性・経路コスト・探索効用を考慮した占有認識フロンティア表現を導入し、時間軸で軌跡認識デュアルウィンドウメモリを用いて最近の意思決定イベントと検証済みのクロスサブタスク結果を保持することで、これらの限界を克服する。

手法の核心は、従来のシーングラフを空間軸と時間軸に拡張した時空間イベントグラフの構築にある。空間軸では、クエリ条件付きインスタンス接地（query-conditioned instance grounding）を行い、セマンティック目標と到達可能性・経路コスト・探索効用で特徴づけられる占有認識探索フロンティアを共同表現する。時間軸では、軌跡認識デュアルウィンドウメモリ（trajectory-aware dual-window memory）を採用し、最近の意思決定・軌跡イベントと検証済みのクロスサブタスクナビゲーション結果を保持する。VLMベースのエージェントがこのグラフ上で推論し、次の目標を選択する。

GOAT-BenchでSR 66.3%、SPL 39.7を達成し、HM3Dv1とHM3Dv2でそれぞれSR 64.0%と69.4%を達成した。さらに、アブレーション研究とエラー分析により、空間軸と時間軸の相補的効果を検証し、イベント駆動の時空間表現がナビゲーションの信頼性とクロスサブタスク経験再利用を向上させることを示した。

要旨からは、提案手法の限界や潜在的な欠点についての議論は明示されていない。ただし、アブレーション研究とエラー分析が行われており、空間軸と時間軸の相補的効果が確認されている。また、訓練不要であることから、特定の環境やタスクに特化した学習を必要としない利点がある一方で、VLMの推論コストやグラフ構築の計算量などが実用上の課題となる可能性が考えられるが、要旨からは不明である。

要旨で参照されているベンチマークはGOAT-Bench、HM3Dv1、HM3Dv2であり、関連手法としてセマンティックシーングラフを用いたナビゲーション手法が挙げられる。次に読むべき論文としては、GOAT-Benchの提案論文や、セマンティックシーングラフを用いたナビゲーションの代表的な研究（例えば、Semantic Scene Graph-based Navigation）が考えられる。