논문Hugging Face
ABot-N1: Toward a General Visual Language Navigation Foundation Model
논문 ID: 2607.1038380 추천
#Embodied AI#Navigation#Foundation Model#Robotics#RAG#Reasoning#Vision#Benchmark
핵심 요약
인지와 제어를 분리한 Slow-Fast 구조를 통해 해석 가능성과 범용성을 동시에 확보한 시각-언어 내비게이션 파운데이션 모델
상세 내용
기존의 시각-언어 내비게이션 모델은 관측값에서 행동으로 직접 매핑하는 단일 정책을 사용하여 좌표 드리프트와 장기적 의미 파악에 어려움을 겪었습니다. 또한 블랙박스 방식의 매핑은 모델의 투명성과 일반화 성능을 저해하는 요소였습니다. 본 논문은 인지와 제어를 분리한 Slow-Fast 아키텍처를 제안하여 이러한 문제를 해결합니다. Slow reasoner는 CoT 추론을 통해 픽셀 기반의 목표 지점(anchor points)을 생성하고, Fast action expert는 이 픽셀 가이드와 텍스트를 결합해 실시간 제어 웨이포인트를 생성합니다. 실험 결과, 도시 규모의 내비게이션을 포함한 다양한 벤치마크에서 SOTA를 달성하며 강력한 범용성과 강건함을 입증했습니다.
주요 내용
- 인지(Slow)와 제어(Fast)를 분리하여 좌표 드리프트 및 해석 가능성 문제 해결
- 픽셀 기반 앵커 포인트를 범용 인터페이스로 사용하여 다양한 내비게이션 태스크 통합
- CoT(Chain-of-Thought) 추론과 실시간 제어 루프의 결합을 통한 강건한 경로 생성
실무에서 볼 만한 점
로봇 제어 시 고수준의 의사결정과 저수준의 물리적 움직임을 분리하는 아키텍처 설계 패턴을 제시합니다.
참고할 행동
- 제시된 Slow-Fast 구조를 기존 단일 정책 모델과 성능/연산 효율성 측면에서 비교 실험
- 픽셀 기반 앵커 포인트가 복잡한 실외 환경에서 얼마나 안정적으로 유지되는지 검증
- 제공된 새로운 Point-Goal/POI-Goal 벤치마크를 활용한 모델 성능 테스트