NavVerse は、ロボットが連続的な動作の中で屋内から屋外へナビゲートする能力を評価するための、新しい物理シミュレーションベンチマークです。配送、キャンパス、緊急対応などの現場では、ロボットは建物から通りへと途切れることなく移動する必要があります。しかし、既存のベンチマークは通常、屋内と屋外のナビゲーションを別々に評価しており、実際のロボット実行を抽象化しているため、出口の発見、境界の移動、適応、運動動力学の失敗などは十分に調査されていません。NavVerse はこれらの問題に取り組むために設計されました。
NavVerse は、100の屋内シーン、50の都市屋外シーン、50の屋内屋外移行シーンから構成され、合計10,000のエピソードを提供します。これらのエピソードは、オブジェクトナビゲーション（ObjectNav）、ビジョン・アンド・ランゲージナビゲーション（VLN）、プレースナビゲーション（PlaceNav）の3つのタスクにわたります。各タスクでは、エージェントはレストランや銀行などの意味的な関心点を探索します。エージェントのパフォーマンスは、実行可能なロボットインターフェースを介して、タスク成功率、経路効率、安全性の指標を用いて評価されます。
ゼロショット実験では、強化学習（RL）、視覚言語行動モデル（VLA）、モジュラー方式のベースラインが比較されました。結果は、現在のエージェントがクロスコンテキストナビゲーションを解決するにはほど遠いことを示しています。エンドツーエンドのVLAモデルは最高のゼロショット成功率を達成しましたが、モジュラー方式は最も強力な安全性プロファイルを提供しました。PlaceNavタスクでは、屋外シーンから屋内屋外移行シーンへの明確な性能低下が見られ、適応が依然として主要なボトルネックであることが示されました。また、出口探索や境界横断などの具体的な課題も明らかになりました。
NavVerse は、屋内から屋外へのシームレスなナビゲーション研究のための標準化されたプラットフォームを提供し、現実世界のクロスコンテキストナビゲーションにおけるロボットの堅牢性向上に貢献することが期待されます。今後の研究では、適応能力の向上、安全性と効率のバランス最適化、さらに多様なシナリオの追加が考えられます。このベンチマークは、より頑健なロボットナビゲーションシステムの開発を促進するでしょう。