①タスクの新規性。既存のAudio-visual navigationでは、音を出す物体がAgentがナビゲーションするプロセスでずっと音声を発する。ここで、実環境と類似するように、物体がより自然な期間しか音を出さない設定にした。実環境への適応性を向上した。②手法の新規性。強化学習とTransformerを結合したこのタスクのための新たな手法を提案し、SoTAを達成。

既存のAudio-visual navigationデータセットおよび提案のデータセットにおいてSoTAを達成。