AnchorVLN: 幾何学アンカー付き視覚言語グラウンディングによるオープンボキャブラリナビゲーション

- 見えない屋内環境での Vision-Language Navigation (VLN) を対象としたシステム。 - 自然言語指示に従い、物体を定位し、地図や固定語彙なしに空間質問へ答える必要がある。 - 提案は AnchorVLN で、VLM が意味論を提案し geometry が計量を決めるという単純な規則に基づく。 - EMBODIED-NAV-MCP として実装され、VLM エージェントが少数の呼び出し可能ツールを通じて駆動する Model Context Protocol (MCP) サーバ。 - ツールはメートル距離やラジアン方位を受け取らないため、下流の自律スタックを変更せずに semantic-geometry 境界を強制する。

- 既存の VLM は open-vocabulary grounding と zero-shot reasoning に強いが、画像から range, bearing, 比較空間関係などの信頼できる計量値を直接出力するのが苦手。 - 既存手法は geometry を手作りパイプラインに組み込むか、waypoint 出力をモデルに求めるため、ロボット・タスク・語彙ごとに制御スタックの変更が必要。 - AnchorVLN は VLM に意味論を、geometry に計量を分担させ、下流の自律スタックを変更せずに済む点が異なる。 - ツールのスキーマが距離や方位を受け取らない設計により、semantic-geometry 境界を強制する。

- VLM が意味論を提案し、geometry が計量を決定するという規則に基づく。 - EMBODIED-NAV-MCP は Model Context Protocol (MCP) サーバとして実装され、VLM エージェントが少数の呼び出し可能ツールで駆動する。 - ツールはメートル距離やラジアン方位を受け取らないため、スキーマが semantic-geometry 境界を強制する。 - これにより下流の自律スタックを変更せずに済む。 - 具体的なツール構成や geometry の計算方法は要旨からは不明。

- CMU Vision-Language Navigation Challenge 2026 の両タスクでベンチマーク。 - 15 シーンにわたる 30 の指示追従質問と、凍結された 45 質問の物体参照セットを使用。 - フルシステムは指示追従で 64.4% を達成し、controller modeling なしでは 13.3 ポイント低下 (t = 2.77)。 - 物体参照では geometric anchoring が 45 問中 10 問で challenge overlap threshold を超え、直接座標推定では 0/45。 - 中央値 center error は 3.37 m から 2.48 m に減少。

- 要旨からは明示的な議論や限界の記述は不明。 - 数値結果から controller modeling の有無が指示追従性能に影響することが示唆される。 - geometric anchoring が物体参照の一部で有効だが、45 問中 10 問のみ閾値を超える点は議論の余地がある。 - 直接座標推定との比較で center error が減少するが、残りの誤差要因は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として Vision-Language Navigation (VLN)、Multimodal vision-language models (VLMs)、Model Context Protocol (MCP)、CMU Vision-Language Navigation Challenge 2026 が挙げられる。 - 同分野の定番として open-vocabulary grounding、zero-shot reasoning、waypoint ベースのナビゲーション手法が考えられるが、要旨に具体的な論文名はない。