不在検出を備えた高速・高信頼なオープンボキャブラリ物体探索

- 移動マニピュレータが家庭などの日常環境で、蓄積した観測からオンデマンドに特定物体を探すための open-vocabulary object search 手法。 - 物体の位置特定だけでなく、ナビゲーションや操作の前に目標が不在であることを確実に判定する absence detection を重視。 - 逐次 RGB 観測と pose を用い、高速な候補検索と検証付き選択を分離した two-stage architecture を提案。

- 既存手法は遅い網羅的再処理や高コストな 3D 表現を必要とし、評価が recall と accuracy に偏り specificity を測っていない。 - 既存の text/visual embedding 検索システムは不在物体でほぼ棄却せず、specificity は最大 9% 程度と報告。 - 提案手法は高速検索と信頼できる不在検出を両立し、exhaustive search と同等以上の信頼性を1桁少ない detector 呼び出しで達成。

- 高速な candidate retrieval と verified selection を分離する two-stage architecture を採用。 - 逐次 RGB 観測と pose を入力とし、caption-based retrieval に visual verification ステップを追加。 - 検証段階で候補を選別することで、不在時の棄却（abstain）を可能にしつつ検索を高速化。

- ScanNet の apartment scenes で、不在物体を多数含む設定で評価。 - 8 つの retrieval-selection 構成と exhaustive search baseline を比較。 - caption-based retrieval に visual verification を加えると、exhaustive search と同等以上の信頼性を1桁少ない detector 呼び出しで達成。 - 単一の consumer GPU でオンボード実行する実機ロボットで ScanNet スコアを再現し、リアルタイム動作を確認。

- 既存評価が specificity を測っていない点を指摘し、不在物体への棄却能力の重要性を議論。 - 検索精度と不在検出のトレードオフ、detector 呼び出し削減の効果が焦点。 - 実機オンボードでのリアルタイム性を確認したが、詳細な限界や失敗事例は要旨からは不明。

- exhaustive search baseline（網羅的検索） - caption-based retrieval および visual embedding を用いた open-vocabulary object search の既存手法 - ScanNet を用いた 3D シーン理解・物体検索の関連研究 - open-vocabulary detection / retrieval の代表的手法（例: CLIP 系 embedding 検索）