ロボットが未知の環境で自然言語の指示に従い、ゼロショットで長期的なタスクを完遂することは、依然として難しい課題である。そこでは、一見単純な命令から暗黙の時相制約や論理制約を抽出し、それに従って複数のサブタスクを順に実行する必要がある。近年の視覚言語モデル（VLM）を用いたゼロショット物体ナビゲーション手法は、フロンティア探索を導くことで目標を探すが、単一のターゲットしか扱えない。「椅子かソファのどちらかを掃除してからテレビをつけて」といった現実的な命令は、時間的に制約された順序で複数の目標へ移動することを要求するが、既存のゼロショットシステムでは対応できない。
このギャップに対し、Kaier LiangらはViTLというフレームワークを提案し、タスク層とナビゲーション層の二つのレベルで同時に取り組む。本論文は2026年6月29日にarXivへ投稿され、番号は2606.30696、ロボティクス（cs.RO）に分類されつつ、計算言語学（cs.CL）と機械学習（cs.LG）にもまたがる。
タスク層では、大規模言語モデル（LLM）を用いて自然言語の命令を線形時相論理（Linear Temporal Logic、LTL）の式へコンパイルする。LTLは「Aの後にBを行う」「AまたはBのいずれか」といった時相関係や論理関係を正確に表現できる。続いてこの式は決定性有限オートマトン（DFA）へ変換される。DFAは調整役として複数チャネルの価値マップを統合し、探索中に新しい物体を検出した際には動的再計画を起動する。これによりロボットは実行途中で新しい観測に応じて以降の行動順序を調整できる。
ナビゲーション層では「方向別スコア（directional score）」を導入する。従来は視野全体に対して方向に依存しない価値をVLMに出力させていたが、ViTLは観測画像上で各フロンティア方向にラベルを付け、方向ごとのスコアをVLMから抽出する。これによりナビゲーション信号がより細かくなり、ロボットはどの方向へ探索すべきかを明確に判断できる。
研究チームはHabitat-Matterport 3D（HM3D）のシミュレーション環境で実験を行い、フレームワーク全体が時相制約を伴う自然言語の長期的ナビゲーションをゼロショットで完了できること、また方向別スコアがベースラインと比べて単一ターゲットのナビゲーションの精度と効率を向上させることを示した。これはViTLが複雑なマルチターゲットタスクの空白を埋めるだけでなく、基礎的な単一ターゲットタスクにも実質的な改善をもたらすことを意味する。論文はPDFと実験的なHTML版が公開され、TeXソースや引用情報も参照できる。