研究者らは、人間のデモンストレーションを模倣してロボットに物体ナビゲーションタスクを訓練する新しいフレームワーク「IntentNav」を提案しました。物体ナビゲーションでは、ロボットは未知の環境で観測されていない目標を探索する必要があり、部分観測可能性の下で次にどこを探索するかを決定します。効率的な探索は人間のような探索に似ています：視覚的に有望なフロンティアを選択的に探索し、空間記憶に依存して冗長な再訪問を避けます。
IntentNavの核となる革新は、低レベルの人間の動作から高レベルの探索意図を推論できる点です。研究チームは「フロンティアベースの人間意図ラベリング」手法を開発し、人間のデモンストレーションを先読みして、デモンストレーターの将来の探索方向を最もよく説明するフロンティアを特定します。具体的には、この手法は人間のデモンストレーションにおける後続の動きを調べ、それらの将来の動作を最もよく説明できるフロンティアを意図ラベルとして選択します。これにより、ロボットは人間のような探索行動を学習できます。
意図に基づくナビゲーションを実現するために、IntentNavは空間視覚候補空間を構築します。この候補空間は、鳥瞰図（BEV）メモリと一人称視覚メモリの2つのモジュールから構成されます。BEVメモリは探索済み領域、未探索フロンティア、軌跡履歴を追跡し、グローバルな空間情報を提供します。一方、一人称視覚メモリは各候補領域にセマンティックな手がかり（シーン内の物体やレイアウトなど）を提供します。これらの情報に基づき、視覚言語モデル（VLM）ポリシーが最適な候補を選択するよう訓練されます。このポリシーは意図アライメント目的関数を使用して、人間の意図と一致する候補を選択するよう促し、一貫性のある人間らしい探索を促進します。
実験結果では、IntentNavはMP3D、HM3D-v1、HM3D-v2の3つの標準物体ナビゲーションベンチマークで最先端の性能を達成しました。MP3Dデータセットでは、IntentNavの成功率は従来の最良手法を大幅に上回り、SPL指標も大幅に向上しました。アブレーション実験では、意図アライメント目的関数または空間視覚メモリモジュールを除去すると性能が著しく低下することが確認され、各コンポーネントの必要性が実証されました。さらに、このフレームワークの候補レベルナビゲーションインターフェースは、追加のVLM微調整なしで、車輪型、四足、人型ロボットなどの異なるロボットプラットフォームにゼロショット転送可能です。この特性により、実際の応用における柔軟性と一般化能力が大幅に向上します。
本研究はYuxin Caiら12名の著者によって行われ、論文は26ページ、9つの図を含みます。プロジェクトページは公開されており、コードは匿名リポジトリで入手可能です。この研究は、人間の知能を模倣することでロボットが複雑な探索タスクをより自然かつ効率的に実行する新しいアプローチを提供します。将来的には、家庭用サービス、倉庫物流、捜索救助などのシナリオで重要な役割を果たすことが期待されます。