論文の概要: Aerial World Model for Long-horizon Visual Generation and Navigation in 3D Space
- arxiv url: http://arxiv.org/abs/2512.21887v1
- Date: Fri, 26 Dec 2025 06:22:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-29 20:48:42.037894
- Title: Aerial World Model for Long-horizon Visual Generation and Navigation in 3D Space
- Title（参考訳）: 3次元空間における長距離視覚生成とナビゲーションのための航空世界モデル
- Abstract要約: 本稿では,過去のフレームや行動に照らされた将来の視覚的観察を予測する航空ナビゲーションワールドモデルANWMを提案する。
ANWMは4-DoF UAV軌道で訓練され、物理学にインスパイアされたモジュールであるFuture Frame Projectionを導入した。
実験により、ANWMは長距離視覚予測において既存の世界を著しく上回り、大規模環境でのUAV航法成功率を向上させることが示された。
- 参考スコア（独自算出の注目度）: 48.19308247102762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unmanned aerial vehicles (UAVs) have emerged as powerful embodied agents. One of the core abilities is autonomous navigation in large-scale three-dimensional environments. Existing navigation policies, however, are typically optimized for low-level objectives such as obstacle avoidance and trajectory smoothness, lacking the ability to incorporate high-level semantics into planning. To bridge this gap, we propose ANWM, an aerial navigation world model that predicts future visual observations conditioned on past frames and actions, thereby enabling agents to rank candidate trajectories by their semantic plausibility and navigational utility. ANWM is trained on 4-DoF UAV trajectories and introduces a physics-inspired module: Future Frame Projection (FFP), which projects past frames into future viewpoints to provide coarse geometric priors. This module mitigates representational uncertainty in long-distance visual generation and captures the mapping between 3D trajectories and egocentric observations. Empirical results demonstrate that ANWM significantly outperforms existing world models in long-distance visual forecasting and improves UAV navigation success rates in large-scale environments.
- Abstract（参考訳）: 無人航空機(UAV)は強力なエンボディエージェントとして登場している。
コアとなる能力の1つは、大規模な3次元環境における自律的なナビゲーションである。
しかし、既存のナビゲーションポリシーは、通常、障害物回避や軌道の滑らかさといった低レベルの目的に最適化されており、計画に高レベルのセマンティクスを組み込む能力が欠如している。
このギャップを埋めるために、過去のフレームや行動に条件付けられた将来の視覚的観察を予測し、エージェントがそれらの意味的妥当性とナビゲーションの有用性で候補軌跡をランク付けできる航空ナビゲーション世界モデルANWMを提案する。
ANWMは4-DoF UAV軌道で訓練され、物理にインスパイアされたモジュールであるFuture Frame Projection (FFP)を導入している。
このモジュールは、長距離視覚発生における表現の不確かさを軽減し、3次元軌跡と自我中心の観測のマッピングをキャプチャする。
実験により、ANWMは長距離視覚予測において既存の世界を著しく上回り、大規模環境でのUAV航法成功率を向上させることが示された。
関連論文リスト
- Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。
まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。
次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
論文 参考訳（メタデータ） (2026-08-18T08:37:08Z) - Uncertainty-Aware World Model for Aerial Image-Goal Navigation [49.01078106635952]
不確実性認識ナビゲーションワールドモデル(英: Uncertainty-Aware Navigation World Model、UA-NWM)は、空中画像ゴールナビゲーションのための効率的な潜在世界モデルである。
予測-ゴールの相違を不確実で説明不能なコンポーネントに分解する。
推論レイテンシを低く保ちながら、既存のナビゲーションワールドモデルより一貫して優れています。
論文 参考訳（メタデータ） (2026-08-06T04:43:53Z) - FutureNav: Unified World-Action Modeling for Vision-and-Language Navigation [22.882723669402026]
FutureNavは、視覚・言語ナビゲーションのためのVLMベースの統合ワールドアクションモデリングフレームワークである。
本論文では,FutureNavが複数のVLNベンチマークで最先端性能を実現し,従来のVLN手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2026-06-29T14:33:03Z) - SemGeoNav:A Safety-Guided Visual Navigation Approach with Semantic Reasoning and Geometric Planning [8.096489080645487]
SemGeoNavは、新しい階層型ビジュアルナビゲーションフレームワークである。
これは、エンドツーエンドモデルの高レベルなセマンティック推論と、幾何に基づく手法の信頼性の高い局所計画能力とを密に統合する。
実環境におけるUnitree Go2四足ロボットのSemGeoNavの評価を行った。
論文 参考訳（メタデータ） (2026-06-15T08:38:46Z) - FlyMirage: A Fully Automated Generation Pipeline for Diverse and Scalable UAV Flight Data via Generative World Model [13.125579202955384]
FlyMirageは、高度にスケーラブルで完全に自動化されたVLN用のデータ生成パイプラインである。
我々は、動的に実現可能な飛行軌跡を持つ大規模で多種多様で光現実的な航空VLNデータセットを生成する。
論文 参考訳（メタデータ） (2026-05-19T09:41:04Z) - WorldMAP: Bootstrapping Vision-Language Navigation Trajectory Prediction with Generative World Models [32.71152441572375]
視覚言語モデル(VLM)とジェネレーティブワールドモデル(ジェネレーティブワールドモデル)は、ナビゲーションを具現化する新たな機会を開きつつある。
本稿では,世界モデルが生み出す未来を永続的な意味空間構造に変換するフレームワークWorldMAPについて述べる。
論文 参考訳（メタデータ） (2026-04-09T08:21:58Z) - OpenFrontier: General Navigation with Visual-Language Grounded Frontiers [54.661157616245966]
オープンワールドナビゲーションでは、複雑な日常環境においてロボットが意思決定を行う必要がある。
近年の視覚-言語ナビゲーション(VLN)と視覚-言語-アクション(VLA)モデルは、自然言語で条件付けられたエンドツーエンドのポリシーを実現する。
多様な視覚をシームレスに統合するトレーニングフリーナビゲーションフレームワークであるOpenFrontierを提案する。
論文 参考訳（メタデータ） (2026-03-05T17:02:22Z) - 3DGSNav: Enhancing Vision-Language Model Reasoning for Object Navigation via Active 3D Gaussian Splatting [12.057873540714098]
3DGSNavは、3D Gaussian Splatting (3DGS)を視覚言語モデル(VLM)の永続メモリとして組み込んで空間推論を強化する新しいフレームワークである。
3DGSNavは環境の3DGS表現を段階的に構築し、フロンティア対応のファーストパーソンビューの軌跡誘導自由視点レンダリングを可能にする。
ナビゲーション中、リアルタイムオブジェクト検出器が潜在的なターゲットをフィルタリングし、VLM駆動のアクティブな視点スイッチングがターゲットを再検証する。
論文 参考訳（メタデータ） (2026-02-12T16:41:26Z) - FOM-Nav: Frontier-Object Maps for Object Goal Navigation [65.76906445210112]
FOM-Navはフロンティアオブジェクトマップと視覚言語モデルによる探索効率を高めるフレームワークである。
FOM-Navをトレーニングするために,実環境から大規模ナビゲーションデータセットを自動構築する。
FOM-NavはMP3DとHM3Dのベンチマーク、特にナビゲーション効率の指標SPLで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-30T18:16:09Z) - CityNavAgent: Aerial Vision-and-Language Navigation with Hierarchical Semantic Planning and Global Memory [39.76840258489023]
航空ビジョン・アンド・ランゲージナビゲーション(VLN)では、ドローンが自然言語の指示を解釈し、複雑な都市環境をナビゲートする必要がある。
都市空域VLNの航法複雑性を著しく低減する大規模言語モデル(LLM)を用いたエージェントである textbfCityNavAgent を提案する。
論文 参考訳（メタデータ） (2025-05-08T20:01:35Z) - An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。
提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
論文 参考訳（メタデータ） (2024-12-18T12:10:33Z) - Navigation World Models [68.58459393846461]
本稿では,過去の観測とナビゲーション行動に基づいて,将来の視覚観測を予測できる制御可能な映像生成モデルを提案する。
慣れ親しんだ環境では、NWMはナビゲーションの軌道をシミュレートし、目的を達成するかどうかを評価することで計画することができる。
実験は、スクラッチからの軌道計画や、外部ポリシーからサンプリングされた軌道のランク付けにおいて、その効果を実証する。
論文 参考訳（メタデータ） (2024-12-04T18:59:45Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z)
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。