チー・チャイ (Qi Chai) 氏らは6月16日(現地時間)、事前学習なしでエージェントが目標物体を探索・特定する「ゼロショット物体目標ナビゲーション（ZS-OGN）」の新しいフレームワーク「EvolveNav」をarXiv cs.AIで発表しました。EvolveNavは、静的な事前情報に依存し適応性に欠ける既存手法の課題に対応するもので、既存のベースラインと比較して成功率を10.1%向上させ、不要な探索ステップ数を削減したと報告されています。
EvolveNavは、継続的なテスト時改善を可能にする自己進化型ゼロショット物体目標ナビゲーション（ZS-OGN）フレームワークとして設計されました。研究者らは、既存のZS-OGNアプローチが新しい環境や未知のオブジェクトに対する適応性に欠け、同じエラーを繰り返したり、非効率な試行錯誤に陥ったりする課題を指摘しています。これらの限界を克服するため、EvolveNavは先読み（preflection）と「自己進化型メモリ」の概念を導入しています。
具体的には、EvolveNavは過去の成功した軌道から実行可能な知識を抽出し、動的に更新されるエージェントルールメモリを構築します。このメモリにより、エージェントは経験を通じてルールを学習し、その知識を継続的に洗練させることが可能となります。これにより、従来の静的な知識ベースに比べて、より柔軟で環境適応性の高い意思決定が可能となります。
さらに、EvolveNavはupper confidence boundに基づく検索戦略を採用しています。この戦略は、意味的関連性と過去の成功の両方を考慮して、最も効果的な行動ルールを選択することを可能にします。これにより、エージェントはより効率的に目標に到達するためのパスを見つけることができます。また、行動の実行前に潜在的な結果を予測するmemory-guided preflection moduleが導入されており、これにより非効率な探索や誤った行動を未然に防ぎ、探索コストを大幅に削減する効果が報告されています。
広範な実験により、EvolveNavが既存のゼロショットベースラインを大幅に上回ることが実証されています。特に、成功率において10.1%の改善を達成し、目標達成までの不要なステップ数を減少させました。
参考: arXiv cs.AI (アーカイブ) — 2026年6月17日 02:56 (JST)
原文ハイライト"EvolveNav: Proactive Preflection and Self-Evolving Memory for Zero-Shot Object Goal Navigation"