Flat-IIN: 2Dマルチチャンネル意味マップとビジョン言語モデルによるインスタンス画像ナビゲーション
Flat-IIN: Instance Image Navigation Based on 2D Multi-Channel Semantic Maps and Driven by Vision-Language Models
本論文は、エージェントが未知の環境を自律的に探索し、画像で示されたターゲットオブジェクトの近くまでナビゲートする必要があるエンボディドナビゲーションタスクであるインスタンス画像ナビゲーション(IIN)における課題に対処するため、Flat-IINというモジュラーフレームワークを提案する。Flat-IINは、2Dマルチチャンネル意味マップとビジョン言語モデル(VLM)を活用し、複数の2Dマップを構築する。また、Multi-View Active Semantic Exploration、Global Backtracking、VLMベースのFrontier Explorationを統合し、マップを協調的に利用してIINを達成する。Habitat-Matterport 3Dセマンティックデータセットでの実験では、成功率0.794、成功率にパス長の逆数を重み付けした値0.331を達成し、競争力のあるナビゲーション性能と有効性を実証した。
- インスタンス画像ナビゲーション(IIN)向けに、2Dマルチチャンネル意味マップとVLMを統合したモジュラーフレームワーク「Flat-IIN」を提案
- Multi-View Active Semantic Exploration、Global Backtracking、VLMベースのFrontier Explorationを統合し協調的にマップを利用
- Habitat-Matterport 3Dセマンティックデータセットで成功率0.794、SPL0.331を達成し競争力のある性能を実証
VLMを2Dマルチチャンネル意味マップと組み合わせたモジュラーフレームワークで、エンボディドAIの基盤技術(知覚・探索・ナビゲーション)の進展を示す。Habitat-Matterport 3Dで成功率0.794、SPL0.331という具体的指標を達成しており、ロボティクスや自律エージェントへの応用可能性が高い。ベンチマーク上の数値改善は投資判断の直接材料にはなりにくいが、VLM活用の探索手法が標準化すれば、シミュレーション環境やロボット知能スタックを提供する企業の価値に波及しうる点を注視したい。