SuperNav：汎用タスクと未知環境に対応するエージェント型ナビゲーション

概要

サービスロボットが実環境で役立つには、決められた地点へ移動するだけでは不十分です。「特定の物を探す」「複数の場所を順番に訪れる」「曖昧な依頼を満たす」といった要求を、未知の環境で処理しなければなりません。ここでは、ユーザーの意図を理解する能力と、実際に安全な経路を進む能力の両方が必要になります。

SuperNavは、この二つの役割を分離します。マルチモーダル大規模モデルは依頼の解釈、場面の理解、次の行動の決定を担当し、移動そのものは専用のナビゲーションツールに任せます。

主なポイント

• ナビゲーション専用の微調整を行わない。 既存手法のようにモデルへ直接ナビゲーション動作を学習させるのではなく、事前学習モデルの汎用能力を維持します。これにより、訓練データに含まれるタスクや環境への依存を抑えることを狙います。
• エージェント基盤で継続的なタスクを管理する。 ナビゲーションスキル、物理的な操作のためのツール、タスク進捗とコンテキストの管理機能を組み合わせ、単発の判断ではなく継続的な行動を支えます。
• 画像上の目的地を共通インターフェースにする。 モデルは画像内の位置を指定でき、実行結果を受け取って判断を更新できます。推論と運動の間を、低レベルの動作列ではなく視覚的な目的地で接続する構成です。
• 複数の評価条件を扱う。 単一対象、多対象、要求駆動型のタスクで4つのベースラインと比較され、HM3Dでのカテゴリーレベル評価や実四足歩行ロボットへの展開も行われました。

意義と限界

固定された指示や既知の目標を前提とするナビゲーションシステムは、依頼や環境が変わると再設計や再学習を求められる場合があります。SuperNavは、汎用的な理解・計画と、専門化された移動実行を分けることで、この問題に対応しようとします。

この考え方は、将来の具身エージェントに新しい移動・知覚・操作ツールを追加する際の実装方針としても示唆的です。一方、提供された素材には詳細な成功率、計算コスト、失敗事例は含まれていません。動的で複雑な環境における安定性については、論文本文や今後の検証を確認する必要があります。

出典：Hugging Face Daily Papers