VLA2026/9/14arXiv:2609.15142

C²Nav: ゼロショット視覚言語ナビゲーションのための比較ベース意思決定

C$^2$Nav: Compare Before You Commit for Zero-Shot Vision-and-Language Navigation

VLMに制御器が生成した候補を比較させることで、幾何学的判断や不可逆な決定をロボット側に残す訓練不要のナビゲーションフレームワークを提案。

詳しい要約

1. どんなもの？

- 連続環境におけるゼロショット vision-and-language navigation (VLN-CE) の研究 - 基盤 vision-language model (VLM) をナビゲーションループ内で使う枠組み - VLM に waypoint や pixel 等の cardinal 出力を求める既存方式に対し、controller が構築した候補を VLM に比較させる interface を提案 - 実装 C2Nav は training-free で Seeing / Remembering / Arriving の3機能から成る

2. 先行研究と比べてどこがすごい？

- 既存システムは waypoint, pixel, heading, progress, 到着判定などの cardinal 出力を要求し、生成応答を幾何量や不可逆な決定に結びつけていた - 本研究は VLM には比較のみを担当させ、幾何・閾値・行動量・実行は物理側に残す相補的 interface を提案 - これにより generative response と geometric magnitude の結合や irreversible commitment を回避 - 同一 interface でも VLM 推論能力が性能に寄与し、制約付き interface と強い VLM は代替でなく相補的と示す

3. 技術・手法の肝は？

- Seeing: 物理的に検証済みの候補視点に対し ordinal Gaze Election を実行 - Remembering: コンパクトな route sketch を保持し、隣接する instruction-leg 仮説を比較 - Arriving: hesitation ladder, look-back comparison, revocable walk-back を組み合わせ信頼できる停止を実現 - 全体として training-free なフレームワーク C2Nav を構成

4. どうやって有効だと検証した？

- 公開 OpenNav R2R-CE 100 protocol で評価 - Qwen3-VL-8B-Instruct で OSR 41.0%, SR 31.0%, SPL 16.7% - 標準 GPT-5.5 で OSR 54.0%, SR 44.0%, SPL 29.0% - 全機能 ablation: Seeing 無しで SR 14.0%, Remembering 無しで 25.0%, Arriving 無しで 29.0% - 比較回答形式を cardinal/absolute 質問に置換する role inversion で spatial 12.0%, transition 28.0%, terminal 21.0% に SR 低下

5. 議論はある？

- 制約付き decision interface と強い VLM reasoning は代替ではなく相補的であると結論 - 比較形式を cardinal/absolute 形式に変えると性能が大きく低下し、interface 設計の重要性を示唆 - 各機能の ablation から Seeing, Remembering, Arriving の寄与が確認される - ただし要旨からは失敗事例や限界、計算コスト等の詳細な議論は不明

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な先行研究は明記されていない - 関連手法として zero-shot VLN-CE, vision-language model (VLM) を用いたナビゲーション, OpenNav R2R-CE ベンチマーク, Qwen3-VL, GPT-5.5 が挙げられる - 同分野の定番として R2R, REVERIE, RxR などの VLN データセットや、CLIP, Flamingo 等の vision-language model 関連研究が次に読む候補

※ 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: Runtian Zheng, Congpeng Zhang, Ying Liu

分類: cs.RO

原文アブストラクト

Zero-shot vision-and-language navigation in continuous environments (VLN-CE) increasingly places foundation vision-language models (VLMs) inside the navigation loop. Existing systems commonly request cardinal outputs such as waypoints, pixels, headings, progress values, or absolute arrival decisions, coupling a generative response to geometric magnitude or an irreversible commitment. We study a complementary model-robot interface: the VLM compares controller-constructed alternatives, while geometry, thresholds, action magnitude, and execution remain on the physical side. We instantiate this idea in C2Nav, a training-free framework with three coordinated faculties. Seeing performs ordinal Gaze Election over physically vetted candidate views; Remembering maintains a compact route sketch and compares adjacent instruction-leg hypotheses; and Arriving combines a hesitation ladder, look-back comparison, and revocable walk-back for reliable stopping. On the public OpenNav R2R-CE 100 protocol, C2Nav with Qwen3-VL-8B-Instruct obtains 41.0% OSR, 31.0% SR, and 16.7% SPL, while the same interface with the standard GPT-5.5 model reaches 54.0% OSR, 44.0% SR, and 29.0% SPL. Whole-faculty ablations reduce SR to 14.0% without Seeing, 25.0% without Remembering, and 29.0% without Arriving. Matched role inversions that replace only the comparative answer form with cardinal/absolute questions reduce SR to 12.0%, 28.0%, and 21.0% in the spatial, transition, and terminal slots, respectively. The results indicate that a constrained decision interface and stronger VLM reasoning are complementary rather than interchangeable.

arXivで原文を読む →arXiv概要ページ