FUSE：適応的意味・幾何学的エビデンス獲得による能動的機能アフォーダンスグラウンディング
本論文は、エージェントがシーンを逐次的に探索し、機能的なクエリを満たす物体を特定・空間的にグラウンディングする「能動的機能アフォーダンスグラウンディング」という新しいタスクを導入する。提案手法FUSEは、不確実性駆動の明示的探索と学習された償却プランナーを組み合わせた適応的意味・幾何学的エビデンス獲得フレームワークである。Habitatベースのベンチマークでは、完全な明示的探索と比較して計算量を1.33倍削減しつつ、非オラクル手法で最高のグラウンディング性能を達成し、複数のアフォーダンス知識源でも有効である。
実環境で働く身体を持つエージェントは、物体の名前ではなく「何ができるか」に基づいて対象を特定し、操作することが求められることが多い。例えば「切るのに使えるものを探して」という指示を受け取ったロボットは、部屋の中を能動的に動き回り、遮蔽物の陰を確認しながら、その物体が本当に切断機能を持つかどうかを示す証拠を集めなければならない。しかし、既存のアフォーダンス・グラウンディング手法の多くは視点を固定しており、機能的な手がかりが隠れていたり不完全だったりする場合に「次にどこを見るべきか」を決める仕組みを持っていない。
この問題に取り組むため、Zhou Chen氏らは2026年8月13日にarXivへ提出した論文で、Active Functional Affordance Grounding（能動的機能アフォーダンス・グラウンディング）という新しいタスクを定義した。エージェントはシーン内を逐次的に探索し、機能クエリを満たす物体を特定して空間的にグラウンディングする。提案手法FUSEは、意味的・幾何学的なエビデンスを適応的に獲得するフレームワークであり、不確実性駆動の明示的探索と、学習された償却プランナーを組み合わせる。不確実性が高い領域を優先しつつ、学習済みネットワークが次の視点を高速に提案するため、毎回の詳細なプランニングを省略でき、限られた計算予算の中でも情報量の多い視点を選べる。
著者らはHabitatシミュレータ上に能動的機能グラウンディング用のベンチマークを構築し、実験を行った。FUSEは非オラクル手法の中で最高のグラウンディング性能を達成し、完全な明示的探索と比較して計算量を1.33倍削減した。また、複数の異なるアフォーダンス知識源でも安定した結果が得られており、特定の知識表現に依存しない汎用性が示されている。
論文は現在査読中で、全15ページ、表9つ、図3つで構成される。研究対象はロボティクス（cs.RO）とコンピュータビジョン（cs.CV）にわたり、arXiv番号は2608.12683。2026年8月13日にSathyanarayanan Aakur氏によって提出され、DOIはDataCite経由で登録手続き中となっている。コードとベンチマークが公開されれば、身体を持つエージェントの能動的知覚と機能理解の研究を大きく前進させる可能性がある。