EvolveNav: Zero-Shot Object Goal Navigation을 위한 선제적 예견(Proactive Preflection) 및

Zero-Shot Object-Goal Navigation (ZS-OGN)은 체화된 에이전트(embodied agents)가 사전 학습 없이 목표 객체를 탐색하고 위치를 찾아낼 것을 요구합니다. 이를 위해 최근의 방법론들은 파운데이션 모델(foundation models)을 활용합니다. 하지만 이러한 방식들은 일반적으로 정적인 사전 지식(static priors)에 의존하며 적응력이 부족하여, 반복적인 오류와 비용이 많이 드는 시행착오를 초래합니다. 본 논문에서는 지속적인 테스트 시간 개선(test-time improvement)을 가능하게 하는 자기 진화형(self-evolving) ZS-OGN 프레임워크를 제안합니다. 구체적으로, 우리는 과거의 궤적(trajectories)으로부터 실행 가능한 지식(actionable knowledge)을 추출하여 에이전트 규칙 메모리(agentic rule memory)를 구축합니다. 그다음, 상한 신뢰 구간(upper confidence bound)에 기반한 검색 전략을 제안하여, 의미론적 관련성(semantic relevance)과 과거의 성공 사례 사이의 균형을 맞춤으로써 효과적인 규칙을 선택합니다. 또한, 행동을 취하기 전에 잠재적인 결과를 예측하여 비효율적인 탐색을 줄이는 메모리 가이드형 선제적 예견(memory-guided preflection) 모듈을 도입합니다. 광범위한 실험을 통해 우리의 방법론이 기존의 zero-shot 베이스라인들을 능가하며, 불필요한 단계를 줄이면서도 성공률(success rate)에서 10.1%의 향상을 달성함을 보여줍니다.