日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
ナビゲーションarXiv:2610.10787

NavGPT-3:階層型ナビゲーションランタイムにおける文脈活用

NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime

シェア:XThreadsFacebookLINEはてブBluesky

言語モデルによる推論と行動ポリシーをOSライクなランタイムで統合し、R2R-CEとRxR-CEで最先端性能を達成、RxR-CEでは人間レベルのナビゲーションを実現した。

詳しい要約

1. どんなもの?

言語モデルによる推論と行動ポリシーを接続するハーネス NavGPT-3 を提示する。OS 的 runtime 上で reasoning/acting/monitoring をスレッドとして走らせ、割り込みとスレッド切替で突発事象に対応する。行動ポリシー NavGPT VLA は 19.28M 例で学習し、codec allocation で視覚トークンを配分する。8B 単体で R2R-CE 74.51 SR、RxR-CE 78.19 SR。完全なハーネスで R2R-CE 81.51 SR の SOTA、RxR-CE で人間並みの 90.43 SR、78.47 nDTW、1 エピソード 1 分 22 秒を達成。

2. 先行研究と比べてどこがすごい?

従来、長地平の agentic RL で学習した言語モデルは推論・行動表現・目標追求を担うが、物理相互作用は密で低遅延な行動ポリシーの領域とされてきた。本研究は両者を接続するハーネスと OS 的 runtime を設計し、割り込み・スレッド切替で突発事象に反応可能にした。結果として R2R-CE で SOTA、RxR-CE で初めて自律エージェントが人間の follower と成功・経路忠実度で同等に到達した点が先行研究と異なる。

3. 技術・手法の肝は?

OS 的 runtime を上位に置き、reasoning/acting/monitoring を独自の context・tools・permissions を持つスレッドとして実行し、runtime がスケジュールしてどのスレッドがロボットの運動を制御するか決める。割り込みとスレッド切替で突発事象に対応。下位の行動ポリシー NavGPT VLA は 19.28M 例で学習し、codec allocation で視覚トークンを scene change に比例して配分する。8B モデルで R2R-CE 74.51 SR、RxR-CE 78.19 SR。

4. どうやって有効だと検証した?

R2R-CE と RxR-CE で評価。NavGPT VLA 単体は 8B で R2R-CE 74.51 SR、RxR-CE 78.19 SR。完全なハーネスで R2R-CE 81.51 SR の SOTA。RxR-CE では人間 follower と成功 90.43 vs 90.4 SR、経路忠実度 78.47 vs 77.7 nDTW で同等、1 エピソード 1 分 22 秒(人間は約 3 分)。ハーネス設計と 2 モデル間相互作用を包括的に ablate し、NavGPT VLA が経路を実行すると reasoning loop が短縮し、最小反応時間が言語モデル決定あたり 3-19 秒から行動ポリシー 1 ステップあたり 0.5-1 秒(1-2 Hz)に低下することを示した。

5. 議論はある?

結果は、frontier な言語モデル知能と低レベル物理制御を接続するにはこの embodied interface の設計が中心であることを示す。ハーネス設計と 2 モデル間相互作用の ablate から、tools と行動ポリシーが言語モデル推論から物理制御への経路をどう形作るかを示す。モデル・コード・評価記録は公開予定。

6. 次に読むべき論文は?

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 R2R-CE、RxR-CE、nDTW、agentic reinforcement learning、vision-language-action (VLA) モデル、codec allocation を挙げる。

※ 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: Gengze Zhou, Yicong Hong, Jiazhao Zhang, Xunyi Zhao, Jian Zhou, Zixing Lei, Zun Wang, Chongyang Zhao, Xionghui Chen, Stephen Gould, Anton van den Hengel, Qi Wu

分類: cs.RO, cs.AI, cs.CL, cs.CV, cs.LG

原文アブストラクト

Language models trained with long-horizon agentic reinforcement learning can generalize knowledge through reasoning, express precise actions, and pursue goals over many steps, raising the ceiling on what an embodied agent can understand and decide. Physical interaction, however, remains the domain of action policies, which provide dense, low-latency control. We present NavGPT-3, a harness that connects the two models, with an OS-like runtime built above it: reasoning, acting, and monitoring run as threads with their own context, tools, and permissions, while the runtime schedules them and decides which thread controls the robot's motion, so that the robot can react to sudden real-world events through interruption and thread switching. Beneath it, our action policy NavGPT VLA, trained on 19.28M examples, allocates visual tokens using codec allocation, in proportion to scene change; its 8B model alone reaches 74.51 SR on R2R-CE and leads RxR-CE with 78.19 SR. With the complete harness, NavGPT-3 sets the state of the art on R2R-CE (81.51 SR) and, for the first time, brings an autonomous agent to human level: on RxR-CE it matches human followers in success (90.43 vs. 90.4 SR) and path fidelity (78.47 vs. 77.7 nDTW) at 1 min 22 s per episode, versus roughly 3 min for a human. We comprehensively ablate the harness design and the interaction between the two models, showing how tools and the action policy shape the path from language-model reasoning to physical control: when NavGPT VLA executes the route, the reasoning loop shortens and the system's minimum reaction time falls from 3-19 s per language-model decision to 0.5-1 s per action-policy step (1-2 Hz). These results show that designing this embodied interface is central to connecting frontier language-model intelligence with low-level physical control. We will release all models, code, and evaluation records.

関連論文

PR本紙発行元 EmplifAI