OmniNav: 動的環境における堅牢な長期的目標ナビゲーション

OmniNavは、動的環境における長期的な目標ナビゲーション（long-horizon target navigation）を扱うロボットシステムである。タスク実行中に変化する観測・決定・物理的相互作用にわたって、シーン記憶の維持、部分観測下での目標信念の更新、操作可能なナビゲーション終点の選択という3つの能力を統合する。因子化されたタスク状態の事後分布に対する継続的推論として問題を定式化し、更新可能な3Dオブジェクトシーンメモリ、証拠を考慮したベイズ信念修正機構、操作到達可能性と衝突制約を考慮した終点選択と階層的閉ループ回復を導入する。

先行研究では、シーン表現が静的であるか、目標信念の更新が不十分、またはナビゲーションと操作の連携が欠如していることが多い。OmniNavは、シーンの陳腐化を防ぐ更新可能なメモリ、失敗探索を負の証拠として組み込むベイズ更新、操作の実現可能性をナビゲーション終点選択に組み込む点で優れている。実世界のpick-and-place成功率を53.3%から71.7%に向上させるなど、従来法を上回る性能を示す。

手法の核は、因子化されたタスク状態の事後分布（シーン妥当性、目標信念、操作実現可能性）を継続的に推論すること。具体的には、(1) 更新可能な3Dオブジェクトシーンメモリを構築し、陳腐化した証拠が後の決定に伝播するのを防ぐ。(2) 意味的文脈から依存関係を考慮した領域事前分布を導出し、失敗探索を負の証拠として組み込むベイズ信念修正機構により、後方分布に基づくフロンティア選択を行う。(3) 操作の到達可能性と衝突制約をナビゲーション終点選択に組み込み、階層的閉ループ回復を通じて実行フィードバックを伝播する。

semantic ObjectNavとfine-grained instance navigationベンチマークで、比較手法の中で最高の成功率を達成。目標再配置（target relocation）に対する頑健性も確認。さらに、実世界のpick-and-placeタスクで、適応したopen-loopベースラインと比較して成功率を53.3%から71.7%に向上させた。

要旨からは、動的環境での長期的なタスク実行における3つの能力の結合が重要であると議論されている。しかし、計算コストやスケーラビリティ、他のタスクへの一般化、失敗時の回復戦略の詳細などについては要旨からは不明。また、実世界実験の規模や環境の多様性についても言及がない。

要旨で参照されているのは、semantic ObjectNavとfine-grained instance navigationのベンチマーク、およびopen-loop baselineである。次に読むべき論文としては、これらのベンチマークを提案した論文や、関連するObjectNav手法（例：Semantic Exploration, Active Neural SLAM）が考えられるが、具体的なタイトルは要旨にないため、同分野の定番である'ObjectNav'や'instance navigation'の研究を挙げる。