米Anthropic、ロボットは米国の肉体労働の74%をこなせるがコスト競争力があるのは0.3%と分析

NavHarnessは、視覚言語ナビゲーション（VLN）向けのエージェントフレームワークであり、適応的な局所ゴール生成とゴール特有の完了検証、検証済み進捗に基づくマルチモーダル記憶圧縮を組み合わせた。シミュレーションのR2R-CEで成功率79.0%、RxR-CEで82.5%を達成し、同一バックボーンのCodex CLIを上回った。実機のUnitree Go2でも成功率83.3%、ナビゲーション誤差1.51mを報告した。本論文はプレプリントである。

NavHarnessは4つのエージェントで構成される。Goal Agentが指示、現在の観測、実行履歴から適応的な局所ゴールと検証質問を生成する。Visuomotor Agentがそのゴールに向けて前進や旋回などの行動を実行し、Verify Agentがゴール特有の検証質問に基づいて観測結果を評価し、継続、ゴール修正、次ゴールへの前進を判断する。Memory Agentは検証済みのゴール完了を圧縮境界とし、完了した対話履歴を経路、ランドマーク、検証結果、視覚キーフレームを含む要約に圧縮する。これにより、行動選択と完了評価が分離され、進捗更新が発行した行動ではなく観測された結果に基づく。未完了のゴールや修正履歴は保持され、無差別な切り捨てによる情報損失を避ける。