既存のエンドツーエンドナビゲーションポリシーは、分布外のシーンに転送されると性能が急激に低下します。モジュラーパイプライン（Modular GOATなど）は閉集合物体検出の再現率に制約され、3Dスナップショットメモリシステム（3D-Memなど）は密集した視点依存表現を維持するため計算負荷が大きくなります。そこで研究者らは、AnyGoalを提案しました。これは訓練不要のマルチロボットアーキテクチャで、視覚言語モデル（VLM）をフロンティアベースの探索の中核に据え、共有の2Dガウスベイズ価値マップ（BVM）を介してエージェントを調整します。
BVMは、各ピクセルの目標関連性に関する事後確率（平均μと分散σ²）を維持し、深度コーンマスクを介したVLMスコアの精度加重融合によって更新され、サブタスク間でリセットされることはなく、生涯にわたる証拠蓄積を実現します。フロンティアは、VLMを判定者とするソフトマックスとBVM上のベイズUCB項の凸結合によってランク付けされます。空間的分離ペナルティとコミットメントヒステリシスを備えた欲張り割り当てアルゴリズムが、中央コントローラなしでフロンティアをエージェントに分配します。
完全なGOAT-Bench検証セットの未分割部分（360エピソード、2669サブタスク）において、デュアルエージェントシステムは厳格な物理的制約（離散0.25mステップ、テレポーテーションなし、42°水平視野）の下で52.4%のサブタスク成功率と12.7%のSPLを達成し、Modular GOAT（24.9%）を27.5ポイント上回りました。シングルエージェントのAnyGoalは41.9%のサブタスク成功率を示し、性能向上が決定アーキテクチャに起因することを示しています。4方向の知覚アブレーション実験では、オープンボキャブラリ検出器が支配的な失敗モードを探索から目標検証へと移行させることが明らかになりました。
AnyGoalの重要な革新は、訓練を必要としない点にあります。大量のシミュレーションデータで訓練されたエンドツーエンド戦略とは異なり、AnyGoalは事前訓練済みのVLMをシーン理解に活用し、画像パッチに対するVLMの推論を通じて目標関連性を評価するだけです。さらに、BVMの設計により、エージェントは長時間のタスクで情報を継続的に蓄積でき、サブ目標が変わっても以前に探索した証拠を失うことがありません。これにより、AnyGoalは探索救助や長期自律探索などの未知環境での生涯ナビゲーションタスクに特に適しています。
研究者らはまた、システムの拡張性を示しました。理論的には、AnyGoalは中央コントローラの複雑さを増すことなく、任意の数のエージェントの協調をサポートできます。実験でのデュアルエージェント構成では、単純な欲張り割り当て戦略によってエージェント間の競合や重複探索を効果的に回避し、タスク完了効率を大幅に向上できることが実証されました。さらに、BVMのベイズ更新メカニズムにより、システムはVLMの時折の誤判断に対してロバストであり、各ピクセルの信頼度は観測回数に応じて調整されます。
将来の研究方向としては、AnyGoalをより複雑なインタラクションシナリオに拡張することや、物理的な把握や操作タスクとの統合が考えられます。現在のアーキテクチャは主にナビゲーション自体に焦点を当てていますが、研究者らは、VLMを活用したオープンボキャブラリ推論とベイズ記憶を組み合わせるという中核的なアイデアは、より汎用的なロボットタスクに一般化できると考えています。本論文はarXivに提出されており、コードとモデルはさらなる研究を促進するためにオープンソース化される予定です。