日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2611.07417

散らかった環境でゼロショット対話型ナビゲーションを実現するMessyNav

MessyNav: Zero-Shot Navigation via Manipulation in Messy Environments

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語モデルによるアフォーダンス推論を用い、障害物を操作して道を切り開くゼロショットの対話型ナビゲーション手法を提案し、実機実験で成功率を27ポイント改善した。

詳しい要約

1. どんなもの?

- 実世界の散らかった環境で、椅子や玩具などの障害物を操作して道を開けながら目的地へ向かう「interactive navigation」を扱う研究 - 問題を「open-world interactive navigation」として定式化 - MessyNav は vision-language models (VLMs) に基づく zero-shot フレームワーク - 移動マニピュレータ上で実世界の屋内・屋外環境にて評価

2. 先行研究と比べてどこがすごい?

- 既存手法は大規模な simulation-based learning や、シーンごとに「避ける/操作する」対象を指定する指示に依存 - 新規物体・多様な環境・文脈(例: 割れ物を載せたカートは避け、空のカートは押せる)への汎化が困難だった - MessyNav はタスク固有の学習なし(without task-specific training)で zero-shot に動作 - 実機試験で最強 baseline 比 +27 percentage points (pp) の成功率向上

3. 技術・手法の肝は?

- VLM を用いた明示的な affordance reasoning を task planning の前段に置く点が肝 - 各物体について swipe / pick up / avoid のいずれを行うかを判断 - その判断に基づき高レベル plan を生成 - 物体ごとの事前指示を必要とせず、文脈に応じた操作方針を VLM が推論

4. どうやって有効だと検証した?

- 移動マニピュレータを用い、実世界の屋内・屋外環境で評価 - 実ロボット trial で最強 baseline に対し成功率 +27 pp - より大規模な offline evaluation でも統計的に有意な改善を確認 - いずれもタスク固有の学習なしで達成

5. 議論はある?

- 実機 trial と offline evaluation の規模や詳細設定は要旨からは不明 - VLM の affordance reasoning の誤りや限界、失敗事例の分析は要旨からは不明 - 割れ物など安全-critical な文脈での信頼性評価は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている baseline の具体名は要旨からは不明 - 関連手法として vision-language models (VLMs) を用いた navigation / affordance reasoning 研究、interactive navigation、mobile manipulation の既存研究を次に読むべき - simulation-based learning による navigation 手法との比較論文も参照候補

※ 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: Kenneth Llontop, Cherie Ho, Dylan Zhou, Anuva Banwasi, Priya Sundaresan, Carlota Parés-Morlans, Jeannette Bohg

分類: cs.RO, cs.CV

原文アブストラクト

Real-world environments are messy, with paths often blocked by everyday objects like chairs and toys, requiring robots to perform interactive navigation by manipulating obstacles to clear a path. Existing methods rely on extensive simulation-based learning or per-scene instructions specifying which objects to avoid or manipulate. They struggle to generalize across novel objects, diverse environments, and varied contexts such as a cart of fragile glassware that should be avoided while an empty one can be pushed. We formalize this problem as open-world interactive navigation and present MessyNav, a zero-shot framework based on vision-language models (VLMs). At its core, MessyNav performs explicit VLM-based affordance reasoning before task planning to decide whether to swipe, pick up, or avoid an object and produce a high-level plan. Evaluated on a mobile manipulator across real-world indoor and outdoor environments, MessyNav improves success rate by 27 percentage points (pp) over the strongest baseline in real-robot trials and achieves statistically significant gains in a larger-scale offline evaluation, without task-specific training.

関連論文

  1. 1中国がソフトバンクのABBロボット事業買収を阻止したとFT報道、Bloomberg伝える提携・買収
  2. 2bZ4Xの自動運転タクシー、2027年に日本で初期運行へ提携・買収
  3. 3Tesla、Optimusの予約受付を12月初旬に始める見通しと報道新製品・発表
  4. 4Agility Robotics、Churchill XIとの事業統合で約4億6500万ドルの資金調達を見込む資金調達
  5. 5イオン、物流拠点の自動化率5割量産・展開
PR本紙発行元 EmplifAI