HRO: ゼロショット物体目標ナビゲーションのための階層的部屋から物体へのフレームワーク
本論文では、大規模言語モデル（LLM）を活用したゼロショット物体目標ナビゲーションのための階層的部屋から物体へのフレームワークHROを提案する。既存のフラットな推論手法とは異なり、HROは人間のような階層的空間認知を模倣し、エージェントが部屋レベルから物体レベルへ粗密探索を行う。GibsonおよびHM3Dデータセットでの実験により、既存のLLMベース手法よりも高い成功率と汎化性能を示した。
ゼロショット物体目標ナビゲーション（Zero-shot object-goal navigation）は、人工知能分野における重要な課題であり、エージェントが特定の目標物体に関する事前学習なしに、未知の環境で物体を探索・ナビゲーションすることを可能にする。従来のゼロショットナビゲーション手法では、事前学習済みの大規模モデルを活用し、その事前知識でエージェントのナビゲーションを導くことが多い。しかし、既存の大規模言語モデル（LLM）に基づく手法は、LLMを単なるフラットな推論ツールとして用い、物体や領域を直接関連付けるだけである。これらの手法は、人間のような部屋の意味論から物体位置特定への階層的空間認知モデリングを欠いており、その結果、探索における強い盲目性、意味的関連付けの精度不足、そしてLLMの常識的推論能力を十分に活用できないという問題があった。
この問題を解決するため、Luyuan Jia氏とYinfeng Yu氏は、LLM駆動の階層的部屋から物体へのフレームワーク（Hierarchical Room-to-Object, HRO）を提案した。HROは、部屋の認識から物体の位置特定に至る人間の認知プロセスを模倣し、ナビゲーションタスクを二つの階層に分解する。まず部屋レベルで、LLMの常識推論を利用して目標物体が存在する可能性の高い部屋の種類（例えばキッチン、寝室など）を特定する。次に物体レベルで、その部屋内を詳細に探索し、目標物体を正確に位置特定する。この粗密探索戦略により、不必要な探索が大幅に削減され、意味的関連付けの精度が向上する。
HROフレームワークは、GibsonとHM3Dの二つの公開データセットで評価された。実験結果は、既存のLLMベース手法と比較して、成功率と汎化能力の両方で有意な向上を示した。特に、未知の環境や物体カテゴリに対して、HROはLLMの事前知識を効果的に活用し、優れたゼロショットナビゲーション性能を発揮した。本研究は、IEEE国際システム・マン・サイバネティクス会議（IEEE SMC 2026）に採択されており、2026年7月12日に提出された。
この研究の意義は、効率的なゼロショットナビゲーション手法を提供するだけでなく、LLMの階層的空間推論の可能性を明らかにした点にある。将来的には、自動運転や家庭用サービスロボットなど、汎用的なナビゲーション能力を必要とする応用に展開され、未知環境における移動ロボットの自律性を新たな段階へと押し上げることが期待される。HROの成功は、人間の階層的空間認知をLLM駆動のナビゲーションシステムに導入することが、ゼロショットナビゲーション性能を向上させる鍵であることを示している。