論文の概要: GeoExplorer: Active Geo-localization with Curiosity-Driven Exploration

• arxiv url: http://arxiv.org/abs/2508.00152v1
• Date: Thu, 31 Jul 2025 20:23:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.665461
• Title: GeoExplorer: Active Geo-localization with Curiosity-Driven Exploration
• Title（参考訳）: GeoExplorer: 好奇心駆動探索によるアクティブなジオローカライゼーション
• Authors: Li Mi, Manon Bechaz, Zeming Chen, Antoine Bosselut, Devis Tuia,
• Abstract要約: アクティブジオローカライゼーション(Active Geo-localization, AGL)は、事前に定義された検索領域内のゴールをローカライズするタスクである。 現在の手法は距離に基づく報酬を伴う目標獲得強化学習問題としてAGLにアプローチしている。 固有報酬による好奇心駆動探索を取り入れたAGLエージェントGeoExplorerを提案する。
• 参考スコア（独自算出の注目度）: 24.01750902074338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active Geo-localization (AGL) is the task of localizing a goal, represented in various modalities (e.g., aerial images, ground-level images, or text), within a predefined search area. Current methods approach AGL as a goal-reaching reinforcement learning (RL) problem with a distance-based reward. They localize the goal by implicitly learning to minimize the relative distance from it. However, when distance estimation becomes challenging or when encountering unseen targets and environments, the agent exhibits reduced robustness and generalization ability due to the less reliable exploration strategy learned during training. In this paper, we propose GeoExplorer, an AGL agent that incorporates curiosity-driven exploration through intrinsic rewards. Unlike distance-based rewards, our curiosity-driven reward is goal-agnostic, enabling robust, diverse, and contextually relevant exploration based on effective environment modeling. These capabilities have been proven through extensive experiments across four AGL benchmarks, demonstrating the effectiveness and generalization ability of GeoExplorer in diverse settings, particularly in localizing unfamiliar targets and environments.
• Abstract（参考訳）: アクティブジオローカライゼーション(アクティブジオローカライゼーション、英: Active Geo-localization、AGL)は、あらかじめ定義された検索領域内の様々なモダリティ(例えば、空中画像、地上画像、テキスト)で表されるゴールをローカライズするタスクである。 現在の手法は、距離に基づく報酬を伴う目標獲得強化学習(RL)問題としてAGLにアプローチしている。 彼らは、相対的な距離を最小化するために暗黙的に学習することで目標をローカライズする。 しかし, 距離推定が困難になる場合や, 未確認の目標や環境に遭遇する場合は, 訓練中に学んだ信頼性の低い探索戦略により, 堅牢性や一般化能力が低下する。 本稿では,好奇心による固有報酬による探索を取り入れたAGLエージェントGeoExplorerを提案する。 距離に基づく報酬とは異なり、好奇心による報酬はゴールに依存しず、効果的な環境モデリングに基づく堅牢で多様性があり、文脈的に関連する探索を可能にします。 これらの能力は、4つのAGLベンチマークにわたる広範な実験を通じて証明され、GeoExplorerの有効性と一般化能力が様々な環境で実証されている。

関連論文リスト

• VLM-Guided Visual Place Recognition for Planet-Scale Geo-Localization [24.433604332415204]
  本稿では,視覚言語モデルと視覚的位置認識の強みを融合した,新しいハイブリッドなジオローカライゼーションフレームワークを提案する。 我々は,複数のジオローカライゼーションベンチマークに対するアプローチを評価し,従来手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-23T12:23:03Z)
• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• FrontierNet: Learning Visual Cues to Explore [54.8265603996238]
  この研究は、3Dマップからゴールポーズを抽出する制限に対処するため、効率的な自律探索に2Dビジュアルキューを活用することを目的としている。 本稿では、FrontierNetをコアコンポーネントとする、視覚のみのフロンティアベースの探索システムを提案する。 提案手法は,既存の3次元目標抽出手法に代わるもので,早期探索効率の15%向上を実現している。
  論文  参考訳（メタデータ） (2025-01-08T16:25:32Z)
• Exploring the Edges of Latent State Clusters for Goal-Conditioned Reinforcement Learning [6.266160051617362]
  クラスタエッジ探索(CE2$)は,エージェントがアクセス可能な目標状態に優先順位を与える,新たな目標指向探索アルゴリズムである。 挑戦的なロボティクス環境では、CE2$はベースライン法やアブレーションに比べて探索の効率が優れている。
  論文  参考訳（メタデータ） (2024-11-03T01:21:43Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
  エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。 GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
  論文  参考訳（メタデータ） (2024-06-04T02:59:36Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Landmark-Guided Subgoal Generation in Hierarchical Reinforcement Learning [64.97599673479678]
  ランドマークによる階層的強化学習(HIGL)について紹介する。 HIGLは、ランドマークでガイドされたアクションスペースを削減した、ハイレベルなポリシーをトレーニングするための新しいフレームワークである。 我々の実験は、我々のフレームワークが様々な制御タスクで先行技術より優れていることを示した。
  論文  参考訳（メタデータ） (2021-10-26T12:16:19Z)
• Deep Reinforcement Learning for Adaptive Exploration of Unknown Environments [6.90777229452271]
  私達はUAVのための1つのステップで調査および搾取間のトレードオフに適応的な調査のアプローチを開発します。 提案手法では, 環境マップを小型でトラクタブルな地図に分解するために, マップセグメンテーション手法を用いる。 その結果,本提案手法は,ランダムに生成された環境をナビゲートし,ベースラインと比較してAoIを短時間でカバーできることが示された。
  論文  参考訳（メタデータ） (2021-05-04T16:29:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。