StopWatch: 物体ゴールナビゲーションのためのゴールグラウンディング

- 本論文は object-goal navigation における VLM ベースの navigation policy の失敗要因を分析し、その改善手法 StopWatch を提案する研究。 - 事前学習済み VLM を fine-tuning して navigation policy 化する一般的なレシピを対象とする。 - 成功率和が低い原因を診断し、goal grounding の欠如が支配的な失敗要因であると特定する。 - 明示的な goal grounding を導入することで、複数ベンチマークで state-of-the-art を達成する。

- 従来の VLM fine-tuning による navigation policy は探索は得意だが、goal が既に視界にあることに気づけない、距離を見積もれないという失敗が多い。 - 本論文はこの失敗を goal grounding の欠如として診断し、明示的に grounding を行う点が新しい。 - 単なる policy 改善ではなく、ベンチマークのアノテーション欠陥も修正し、より忠実な評価を可能にする点も貢献。 - 明示的 grounding により six benchmarks・three scene collections で state-of-the-art を達成。

- 事前学習済み VLM を navigation policy に fine-tuning する枠組みを前提とする。 - 診断により、goal が視界内にあるかの検知と goal までの距離推定の失敗が主因と特定。 - これを解決するため goal を明示的に ground する機構を導入する。 - 具体的なアーキテクチャや学習手順の詳細は要旨からは不明。

- six benchmarks・three scene collections で評価し、state-of-the-art の成功率を達成。 - ベンチマークのアノテーション欠陥を修正した clean benchmarks 上でも分析を実施。 - clean benchmarks 上で、ground-truth grounding を与えると提案 policy はデモンストレーション生成元の expert にほぼ匹敵することを示す。 - これにより残る改善余地は policy learning ではなく perception 側にあると結論。

- goal grounding が object-goal navigation の missing piece であると主張。 - ground-truth grounding 下では expert にほぼ匹敵し、ボトルネックは perception に移ることを示唆。 - ベンチマークのアノテーション欠陥の存在を指摘し、今後の評価の忠実性に警鐘を鳴らす。 - 具体的な限界や失敗事例、計算コストなどの議論は要旨からは不明。

- 本論文が比較・参照する VLM fine-tuning による navigation policy の先行研究（要旨では個別名は明示されず）。 - object-goal navigation の定番ベンチマークである Habitat / HM3D / Gibson 等の関連データセット論文（要旨では scene collections の個別名は不明）。 - goal grounding や vision-language grounding に関する関連研究。 - ベンチマークのアノテーション品質や評価プロトコルに関する研究。