ナビゲーション2026/9/8arXiv:2609.09158

TANGO: 雑然環境における全身視覚言語行動モデルを用いた人型ロボットナビゲーション

TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model

雑然とした屋内環境での人型ロボットナビゲーションを、言語指示と視覚情報から全身の関節動作を直接予測するフレームワークTANGOを提案。シミュレーションで学習し、実機にゼロショット適用可能。

詳しい要約

1. どんなもの？

TANGOは、雑然とした屋内環境でのヒューマノイドロボットのナビゲーションを扱う、初の全身ビジョン言語ナビゲーションフレームワークである。自然言語の指示と一人称視点のRGB観測から、29自由度の関節空間アクションを直接予測し、全身制御を実現する。シミュレーションでのみ訓練され、実機（Unitree G1）へのゼロショット転送が可能である。

2. 先行研究と比べてどこがすごい？

従来のナビゲーション手法は2D経路計画としてモデル化し、障害物回避を2D平面上で行うが、ヒューマノイドは複雑な3D空間での移動に際し、腕の配置、胴体の調整、歩容の変調など、幾何学的に認識した全身の適応が必要である。TANGOは言語条件付きで全身動作を直接予測する点で、従来のモジュール式ベースラインや2Dベースの手法を凌駕する。

3. 技術・手法の肝は？

手法の核は、シミュレーション内で多様な衝突回避動作を合成し、それを教師信号として言語条件付き全身ポリシーを学習することである。具体的には、グローバル経路計画、運動学的全身動作生成、障害物認識動作編集、RLベースの追従制御を組み合わせ、動的に実現可能なアクションの教師データを生成する。これにより、言語指示とRGB観測から直接29-DoFの関節アクションを予測する。

4. どうやって有効だと検証した？

広範なシミュレーション実験で、ビジョン言語ナビゲーションにおける最先端性能を示し、障害物交渉を要する困難なシーンでは強力なモジュール式ベースラインを上回った。さらに、実機のUnitree G1ヒューマノイドにゼロショットで展開し、実世界の雑然としたシーンでロバストな言語誘導移動を観測した。実世界のナビゲーションデータでの訓練は行っていない。

5. 議論はある？

要旨からは、シミュレーションと実世界のギャップ（Sim-to-Real）や、言語指示の多様性、計算コスト、安全性などに関する議論は明示されていない。また、29-DoFの直接予測がどの程度スケーラブルか、複雑なタスクへの一般化については不明である。

6. 次に読むべき論文は？

要旨で参照されている関連手法として、Vision-Language Navigation (VLN)、モジュール式ベースライン、RL-based tracking、kinematic whole-body motion generation、obstacle-aware motion editingなどが挙げられる。具体的な論文名は不明だが、これらの手法の詳細を扱う論文を読むことが推奨される。

※ 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: Anqi Li, Yuxin Chen, Zhaobo Li, Zhuo Cao, Junli Ren, Masayoshi Tomizuka, Dhruv Shah

分類: cs.RO, cs.AI

原文アブストラクト

We study the problem of navigating cluttered indoor environments with a humanoid robot. Unlike conventional methods that model navigation as a 2D path planning problem, humanoid traversal in cluttered environments requires continuous geometry-aware whole-body adaptation, including coordinated arm placement, torso adjustment, and gait modulation for collision-free movement through complex 3D spaces. We introduce TANGO, the first whole-body vision-language navigation framework for language-conditioned humanoid traversal in cluttered environments. Given a natural-language instruction and egocentric RGB observations, TANGO directly predicts 29-DoF joint-space actions for downstream whole-body control. We train TANGO entirely in simulation by synthesizing diverse collision-free traversal behaviors via global path planning, kinematic whole-body motion generation, obstacle-aware motion editing, and RL-based tracking. This pipeline provides dynamically feasible action supervision for learning language-conditioned whole-body policies. In extensive simulation experiments, TANGO demonstrates state-of-the-art performance in vision-language navigation, while outperforming strong modular baselines in navigating challenging scenes requiring obstacle negotiation. Lastly, we deploy TANGO zero-shot on a Unitree G1 humanoid robot, and observe robust language-guided traversal in cluttered real-world scenes without training on any real-world navigation data.

arXivで原文を読む →arXiv概要ページ