技術的概要：G-DRAGON

問題定義

大規模屋外環境で動作する自律型地上ロボットは、複雑な地形における堅牢な長距離航法の実行と、特定のオープンボキャブラリー目標を特定するための微細な「ラストマイル」探索という二重の課題に直面している。既存の視覚言語航法（VLN）および視覚言語行動（VLA）手法は、短時間範囲のタスクでは優れているが、地理空間的グラウンディングが欠如しており、視覚的ドリフトや信頼性の高い大域計画の生成 inability に起因して、長距離ミッションにおいて失敗する。一方、OpenStreetMap（OSM）ベースのアプローチは、しばしばクラウドベースの大規模言語モデル（LLM）に依存しており、高い遅延、事実的な幻覚のリスク、および完全なオフライン動作の不可能性をもたらす。さらに、現在の「ラストマイル」探索手法は、オープンボキャブラリー意味検索と、動的な屋外環境におけるオンボードエッジデバイスの計算制約との間のギャップを埋めるのに苦労している。

手法

著者は、完全なオフライン能力を維持しつつ、高レベル推論と低レベル制御を分離するように設計された統一フレームワークであるG-DRAGON（検索拡張型屋外航法のための地理空間推論および動的計画）を提案する。このシステムは、3 つの中核モジュールから構成される。

1. GeoQA モジュール（地理空間質問応答）

このモジュールは、自然言語コマンドを正確な測地座標にグラウンディングする課題に対処する。

• 生成型検索: 密な検索器や制約のない生成に依存するのではなく、システムはローカルに展開された LLM を用いた「ゼロショット生成型検索」フレームワークを採用する。
• 階層的 ID 構築: 各 OSM エンティティは、曖昧さを低減するために、一意で識別性の高い自然言語 ID（例：「教育エリア - 建物 A」）が割り当てられる。
• 制約付きデコーディング: 検索プロセスは 2 段階のアプローチを利用する。
  1. 思考連鎖（CoT）: LLM が中間的な意味の手がかり（カテゴリ、修飾語）を抽出し、候補セットを絞り込む。
  2. Trie 制約ビームサーチ: 有効なエンティティ ID のプレフィックス木（Trie）がデコーダを制約し、生成された出力が厳密に既存の OSM エンティティに対応することを保証する。これにより幻覚を排除し、下流の計画に対して有効な座標を保証する。

2. RAPPER モジュール（プログラム的および実行可能推論を備えた検索拡張プランナー）

RAPPER は、ローカルに展開された Qwen2.5-14B LLM を基盤とした中核的な推論オーケストレーターとして機能する。

• タスク解析: 自然言語指示を論理的なサブタスクのシーケンス（航法および探索）に解析する。
• 行動木（BT）合成: LLM は、サブタスクを定義済みのスキルプール（例：GlobalPlanning、FollowPath、Explore）にマッピングする階層的行動木をワンショットで動的に構築する。出力は、ロボットが実行可能なロジックを確保するために構造化された XML 形式でフォーマットされる。
• 大域経路生成: 航法タスクにおいて、RAPPER は GeoQA に座標を照会し、ロボットの位置を目標ポリゴンの輪郭に投影し、ローカルルーティングエンジン（OSRM）を用いて大域的トポロジカル経路を生成する。
• 動的監視: システムはロボットの状態を継続的に監視する。実行が停止した場合（例：障害物によるもの）、BT 構造は人間の介入なしに経路検索を再初期化するための回復メカニズムをトリガーする。

3. NæVIS モジュール（航法および探索システム）

NæVIS は、長距離航法の実行と「ラストマイル」探索への移行を処理する。

• 大域から局所への整合: 動的初期化機動および回転行列変換を用いて、大域測地座標とロボットの局所オドメトリ間のドメインギャップを橋渡しする。
• 曲率適応サンプリング: 大域経路は非一様にサンプリングされる。高曲率の交差点では微細サンプリング（3m）が、直線区間では計算負荷を低減するために粗いサンプリング（20m）が用いられる。
• ラストマイル探索: 目標近傍に到達すると、システムはフロンティアベースの探索モードに切り替わる。
  • 意味ボクセルマッピング: RGB-D、LiDAR、IMU データを融合して、オープンセット意味ボクセルマップを構築する。
  • オープンボキャブラリー検索: 画像エンコーダが、ボクセルマップ上でリアルタイムのクエリ条件付き意味セグメンテーションを実行する。
  • 目標局所化: 意味類似度しきい値を超えるボクセルはクラスタリング（DBSCAN）され、支配的クラスタの重心が最終的な航法目標として地面平面に投影される。

主要な貢献

1. 大域経路生成のための GeoQA: 自然言語コマンドを OSM エンティティと整合させ、制約付きデコーディングを通じて幻覚を回避しながら正確な座標を出力する、生成型検索に基づく地理空間 QA モジュールの設計。
2. RAPPER: 実行可能な行動木を合成するためにタスクを解析し、GeoQA を照会するローカル展開 LLM を活用する階層的プランナー。これにより、安全でオフラインのタスク計画が保証される。
3. NæVIS: フロンティアベースの航法とオープンセット意味ボクセルマッピングを組み合わせた、長距離航法と「ラストマイル」探索のシームレスな統合。これにより、屋外環境においてオープンボキャブラリー目標を堅牢に局所化できる。

実験結果

このフレームワークは、シミュレーション（NVIDIA Isaac Sim）および Agilex Scout Mini UGV 上での実世界展開の両方で評価された。

• 地理空間推論: 5,000 件のクエリデータセットにおいて、GeoQA は（易）で Recall@1 97.6%、（難）で 74.8% を達成し、ローカルベースライン（BM25、DPR、Vanilla Qwen2.5）を上回り、オフラインシナリオにおいてクラウドベースの GPT-4o よりも優れた信頼性を示した。
• シミュレーション性能:
  • 長距離航法: G-DRAGON は、タスク 1（建物航法）において 300m で 100% の成功率（SR）、800m で 95.56% の SR を達成し、ベースラインである NoMaD（800m で 0% の SR）および OPEN（800m で 26.67% の SR）を大幅に上回った。
  • ラストマイル探索: タスク 2（物体検索）において、G-DRAGON は 800m で 62.22% の SR を維持したが、OPEN は 2D 投影および軽量エンコーダの制限により失敗した。
• 実世界展開: システムは、大学キャンパス内で 4 つの長距離航法試行（200m–500m）を正常に完了した。ベースラインは、ヘディング誤差、動的障害物との衝突、またはノイズのフィルタリング inability により失敗した。G-DRAGON はすべてのミッションを完了した唯一の手法であった。
• アブレーション研究: RAPPER モジュールを除去（OSM ベースの推論をバイパス）すると、4 試行中 3 試行が失敗し、トポロジカル推論がスケーラブルな屋外航法のための前提条件であることを確認した。

意義および主張

本論文は、G-DRAGON が大規模屋外環境における高レベル意味推論と低レベル制御の間の重要なギャップに対処することを主張する。ローカルに展開されたモデルおよび検索拡張生成を活用することで、このフレームワークは、クラウドベース LLM に伴う遅延や幻覚のリスクなしに、完全なオフライン動作を実現する。このシステムは、推論と制御を分離することが、最大 500m の距離にわたる複雑なオープンボキャブラリー指示を処理できる堅牢でスケーラブルな航法を可能にすることを示している。著者は、この研究を、接続が遮断された環境で動作しつつ、大域ルーティングおよび局所意味検索の両方で高い精度を維持する真に自律的なエージェントへの一歩として位置づけている。