ゼロショット物体ナビゲーション2026/10/23arXiv:2610.32554

階層グラフ誘導ワールドモデルによるグラフマッチングを用いたゼロショット物体ナビゲーション

HGWM: Hierarchical Graph-Guided World Model for Zero-Shot Object Navigation via Graph Matching

LLMが生成する部屋アンカー事前知識と持続的な空間意味記憶を組み合わせ、粗い視覚意味スコアと細かい記号的整合性評価を段階的に融合してゼロショット物体ナビゲーションを行う手法を提案し、HM3DやMP3Dで成功率の向上を示した。

詳しい要約

1. どんなもの？

- Zero-shot object navigation のための embodied agent 向け手法 - HGWM は LLM が生成する room-anchor prior と、持続的な spatial-semantic memory を組み合わせる - 粗い段階で候補 heading に 0-10 の visual-semantic score を付与 - 細かい段階で観測物体・room context・goal prior 間の symbolic compatibility を測る - phase-dependent fusion で LLM の direction recommendation と統合し局所行動選択を行う

2. 先行研究と比べてどこがすごい？

- 比較対象は WMNav - HM3D v0.1 で SR 62.6% / SPL 31.5%（WMNav は 58.1% / 31.2%） - MP3D で SR 46.8% / SPL 17.9%（WMNav は 45.4% / 17.2%） - 成功の点推定が高く、経路効率の改善は modest と報告 - ただし著者報告の集計値であり、episode-level の再実行記録は無い

3. 技術・手法の肝は？

- LLM 生成の room-anchor prior を利用 - persistent spatial-semantic memory で過去観測の証拠を保持 - coarse stage: 候補 heading に 0-10 の visual-semantic score - fine stage: 物体・room context・goal prior の symbolic compatibility を測定 - phase-dependent fusion で上記スコアと LLM direction recommendation を統合 - その後 local action selection を実施

4. どうやって有効だと検証した？

- HM3D v0.1 と MP3D で WMNav と比較 - HM3D v0.2 では full model が SR 74.4% / SPL 31.9% - component ablations で SR が 0.9-2.3 ポイント、SPL が 0.6-1.5 ポイント低下 - 実装は offline tests を通過 - 評価は simulation に限定、episode-level rerun records は無い

5. 議論はある？

- 結果は著者報告の aggregate measurements である - episode-level の再実行記録が無く再現性の検証は限定的 - 評価は simulation のみで実環境は未検証 - SPL の改善は modest と記述 - 各 component の寄与は ablation で示されるが、要旨からは詳細な議論は不明

6. 次に読むべき論文は？

- WMNav（主要比較対象） - LLM を用いた zero-shot object navigation の関連手法 - room-anchor prior や spatial-semantic memory を用いる navigation 研究 - HM3D / MP3D をベンチマークとする object navigation 論文

※ 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: I-tak Ieong, Hao Tang

分類: cs.RO, cs.MA

原文アブストラクト

Zero-shot object navigation requires an embodied agent to choose where to search while retaining evidence from previous observations. HGWM couples an LLM-generated room-anchor prior with persistent spatial-semantic memory. A coarse stage assigns visual-semantic scores to candidate headings on a 0-10 scale; a fine stage measures symbolic compatibility between observed objects, room context, and the goal prior. Phase-dependent fusion combines these scores with an LLM direction recommendation before local action selection. On HM3D v0.1, the reported HGWM configuration achieves 62.6% success rate (SR) and 31.5% success weighted by path length (SPL), compared with 58.1% and 31.2% for WMNav. On MP3D, the corresponding values are 46.8% and 17.9%, compared with 45.4% and 17.2%. The results indicate higher success point estimates and modest path-efficiency gains. On HM3D v0.2, the full model obtains 74.4% SR and 31.9% SPL. Additional component ablations reduce SR by 0.9-2.3 percentage points and SPL by 0.6-1.5 points. These are author-reported aggregate measurements. The accompanying implementation repairs pass offline tests; episode-level rerun records are not available. Evaluation is confined to simulation.

arXivで原文を読む →arXiv概要ページ

← 論文一覧