CLOSER: 物体ゴールナビゲーションのための証拠に基づく能動的視覚検証

- Object-goal navigation (ObjectNav) において、検出した候補が目標物体かをオンラインで判定するための evidence-aware active verification フレームワーク CLOSER を提案する研究。 - 停止判断を closed-loop evidence acquisition として扱い、vision-language model (VLM) による検証と active perception を組み合わせる。 - 既存の ObjectNav システムに再学習なしで組み込めるローカル動作のモジュールとして設計されている。

- 従来システムは候補に対して greedy に接近し、候補が遮蔽されたり部分的にしか観測されない問題があった。 - また detector は sofa を bed と誤認するなど自信を持って誤検出し、false positive で停止するとエピソード失敗となる。 - CLOSER は停止前に複数視点の evidence を能動的に収集・統合してから判断する点が異なる。 - 既存 ObjectNav システムを再学習せずに組み込める点も利点。

- オープンソース VLM を fine-tune し、フレーム間で追跡した候補の各 view を target / non-target / uncertain にラベル付けする。 - embedding-based diversity gate により相補的な view を選択する。 - 各 view の確率を lightweight network で融合する。 - 融合後も uncertain な場合、diffusion policy が tracked mask と depth のみを用いて候補へ接近し、判断が decisive になるまで evidence を取得する。

- Gibson と Habitat-Matterport 3D 上で評価。 - 平均 success rate を 3.6 points、success weighted by path length を 2.0 points 向上させた。 - これにより、commit 前に evidence を検証することが embodied navigation を改善することを示した。

- 要旨からは不明。 - ただし、false positive での停止回避と active perception による evidence 取得の有効性が示唆されている。

- 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 ObjectNav、vision-language model (VLM)、diffusion policy、active perception の代表的文献を次に読むべき候補として挙げる。