최근 시각-언어 모델의 발전으로 제로샷 네비게이션이 가능해져, 라벨링 없이도 로봇이 자연어 지시를 따라 움직일 수 있게 되었다. 그러나 격자 또는 노드 기반 지도에 언어 벡터를 명시적으로 저장하는 기존 방법들은 방대한 환경으로의 확장에 어려움을 겪는데, 이는 과도한 메모리 요구와 세밀한 계획을 위한 제한된 해상도 때문이다. 우리는 연속적이며 언어 기반의 지도를 학습하고 이를 정밀 경로 생성에 직접 활용하는 새로운 신경 언어 장 기반 네비게이션 프레임워크인 LAMP(Language Map)를 제안한다. 기존 접근법과 달리, 본 방법은 모든 위치에 대해 언어 특징을 명시적으로 저장하는 대신, 언어 특징을 암묵적 신경 장(implicit neural field)으로 인코딩한다. 암묵적 표현과 희소 그래프를 결합함으로써, LAMP는 효율적인 거친 경로 계획을 지원한 뒤 학습된 장에서 기울기 기반 최적화를 수행하여 목표 근처의 자세를 정제한다. 이러한 거친-부터-정교한(coarse-to-fine) 언어 주도형, 기울기 안내 최적화 파이프라인은 정밀 경로 생성을 위해 암묵적 언어 지도를 처음으로 적용한 것이다. 이 정제는 특히, 학습된 특징 공간에서의 의미적 유사성을 활용하여 직접 관측되지 않은 목표 영역을 선택하는 데 매우 효과적이다. 견고성을 더욱 향상시키기 위해, 우리는 von Mises-Fisher 분포를 통해 임베딩 불확실성을 모델링하는 베이지안 프레임워크를 채택함으로써 관측되지 않은 영역에 대한 일반화를 개선한다. 대규모 환경으로의 확장을 위해 LAMP는 공간적 커버리지와 임베딩 신뢰도를 우선하는 그래프 샘플링 전략을 사용하여, 가장 유익한 노드만 유지함으로써 계산 부담을 실질적으로 감소시킨다. NVIDIA Isaac Sim에서의 실험 결과와 실제 다층 건물에서의 실험 결과 모두에서, LAMP는 메모리 효율성과 정밀한 목표 도달 정확도 모두에서 기존의 명시적 방법보다 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.