物体ナビゲーション2026/11/11arXiv:2611.15093

動く前に探索方針を決める：拡散モデル生成の探索参照を用いた半静的環境でのゼロショット物体ナビゲーション

Decide Before You Move: Diffusion-Generated Search Reference for Zero-Shot Open-Vocabulary Object Navigation in Semi-Static Environments

シェア:X Threads Facebook LINE はてブ Bluesky

半静的環境で、LLMによる物体共起事前分布と拡散モデルで移動前に探索経路の参照を生成し、VLMを毎ステップ呼ばずにゼロショットで目的物体を探すObjectNav手法を提案。

詳しい要約

1. どんなもの？

- 半静的(semi-static)な屋内環境における open-vocabulary な ObjectNav のためのフレームワーク PreNav を提案 - 壁や大型家具は動かないと仮定し、その地図は経路計画に用いる - 小型物体の移動・消失に対応するため、target–furniture co-occurrence prior で探索場所を決める - ロボット移動前に単一の global search reference を生成する点が特徴

2. 先行研究と比べてどこがすごい？

- 従来の prior-map 系は再構成時の物体姿勢に依存し、物体移動で失効する - online 系は数ステップごとに VLM を高コストで呼び再導出する - PreNav は VLM を毎ステップ呼ばず、移動前に一度だけ探索参照を生成 - Gibson ObjectNav benchmark で強い online baseline を同一構造事前条件下で上回る - room-level ScanNet++ のみで学習した生成器を fine-tuning なしで floor-level Gibson に適用

3. 技術・手法の肝は？

- LLM が target–furniture co-occurrence を spatial prior に変換 - conditional diffusion model がその prior と persistent structure から、帯域付きの順序付き centerline を生成 - 生成された global search reference に沿って移動し、対象を online で検出したら接近 - 壁・大型家具の地図は経路計画に、co-occurrence prior は探索場所決定に使用

4. どうやって有効だと検証した？

- Gibson ObjectNav benchmark での実験 - 同一の構造事前条件で強い online baseline と比較し優位性を確認 - room-level ScanNet++ で学習した生成器を fine-tuning なしで floor-level Gibson に適用して検証 - 物体の再配置と open-vocabulary クエリを含む実世界実験でも検証

5. 議論はある？

- 壁や大型家具が動かないという半静的仮定に依存 - 小型物体の移動・消失への対応が前提 - VLM の毎ステップ呼び出しを避ける設計のコスト面の利点が示唆される - 詳細な限界や失敗事例は要旨からは不明

6. 次に読むべき論文は？

- Gibson ObjectNav benchmark 関連研究 - ScanNet++ を用いたシーン生成/事前学習研究 - conditional diffusion model によるナビゲーション計画 - LLM を用いた spatial prior 生成 - VLM ベースの online ObjectNav baseline

※ 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: Yuxuan Feng, Fujing Xie, Sören Schwertfeger, Hermann Blum

分類: cs.RO

原文アブストラクト

Open-world navigation requires a robot to locate a user-specified target in an indoor scene under open-vocabulary queries. Realistic indoor environments are semi-static: walls and furniture largely persist while smaller objects move, relocate, or vanish between visits. Prior-map systems answer queries from object poses recorded at reconstruction time, which expire as soon as objects move, whereas online methods re-derive where to look from current observations every few steps, often through expensive calls to a vision--language model. Assuming that walls and large furniture do not move, we keep their map to plan paths, but use a target--furniture co-occurrence prior to decide where to search. We present PreNav, an ObjectNav framework on semi-static environments. Rather than invoking a vision-language model at each step, PreNav generates a single global search reference before the robot moves: an LLM converts target--furniture co-occurrence into a spatial prior, a conditional diffusion model turns that prior and the persistent structure into an ordered centerline with a band around it, and the robot approaches the target once it is detected online. Experiments on a Gibson ObjectNav benchmark show that PreNav outperforms a strong online baseline under matched structural priors, using a generator trained only on room-level ScanNet++ scenes and applied to floor-level Gibson without fine-tuning. Real-world experiments under object relocation and open-vocabulary queries further validate the approach.

arXivで原文を読む →arXiv概要ページ

動く前に探索方針を決める：拡散モデル生成の探索参照を用いた半静的環境でのゼロショット物体ナビゲーション

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事