EvolveNav: 선제적 예측과 자기 진화 메모리를 활용한 제로샷 객체 목표 탐색

EvolveNav: Proactive Preflection and Self-Evolving Memory for Zero-Shot Object Goal Navigation

제로샷 객체-목표 탐색(ZS-OGN)은 사전 학습 없이 로봇 에이전트가 환경을 탐색하고 대상 객체를 찾는 것을 요구합니다. 최근 연구에서는 이를 위해 기초 모델을 활용하지만, 일반적으로 정적인 선입견에 의존하며 적응력이 부족하여 반복적인 오류와 비효율적인 시행착오를 초래합니다. 본 논문에서는 지속적인 테스트 시간 개선을 가능하게 하는 자기 진화 ZS-OGN 프레임워크를 제안합니다. 구체적으로, 우리는 과거의 경로에서 유용한 지식을 추출하여 에이전트 규칙 메모리를 구축합니다. 또한, 상한 신뢰 구간(upper confidence bound) 기반의 검색 전략을 통해 의미적 관련성과 역사적 성공률을 균형 있게 고려하여 효과적인 규칙을 선택합니다. 더불어, 행동 전에 잠재적인 결과를 예측하는 메모리 기반의 선제적 예측 모듈을 도입하여 비효율적인 탐색을 줄입니다. 광범위한 실험 결과, 제안된 방법이 기존의 제로샷 모델보다 뛰어난 성능을 보이며, 성공률이 10.1% 향상되고 불필요한 단계 수가 감소하는 것을 확인했습니다.

Zero-Shot Object-Goal Navigation (ZS-OGN) requires embodied agents to explore and locate target objects without any prior training. To this end, recent methods leverage foundation models. But they typically rely on static priors and lack adaptation, which leads to repeated errors and costly trial and error. In this paper, we propose a self-evolving ZS-OGN framework that enables continuous test-time improvement. Specifically, we build an agentic rule memory by extracting actionable knowledge from past trajectories. Then, we propose a retrieval strategy based on upper confidence bound, selecting effective rules by balancing semantic relevance and historical success. In addition, we introduce a memory-guided preflection module that forecasts potential outcomes before action, reducing inefficient exploration. Extensive experiments show that our method outperforms existing zero-shot baselines, achieving a 10.1\% improvement in success rate with fewer unnecessary steps.