論文の概要: FloorPlan-VLN: A New Paradigm for Floor Plan Guided Vision-Language Navigation
- arxiv url: http://arxiv.org/abs/2603.17437v1
- Date: Wed, 18 Mar 2026 07:22:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-21 18:33:56.94225
- Title: FloorPlan-VLN: A New Paradigm for Floor Plan Guided Vision-Language Navigation
- Title（参考訳）: FloorPlan-VLN: 視覚言語ナビゲーションをガイドしたフロアプランのための新しいパラダイム
- Authors: Kehan Chen, Yan Huang, Dong An, Jiawei He, Yifei Su, Jing Liu, Nianfeng Liu, Liang Wang,
- Abstract要約: 既存の言語ナビゲーション(VLN)タスクは、エージェントが命令に従う必要がある。
本稿では,bfFloorPlan-VLNを提案する。bfFloorPlan-VLNは,構造的なフロアプランをグローバル空間先行として活用し,簡潔な指示だけでナビゲーションを可能にする新しいパラダイムである。
- 参考スコア（独自算出の注目度）: 17.1490555684021
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing Vision-Language Navigation (VLN) task requires agents to follow verbose instructions, ignoring some potentially useful global spatial priors, limiting their capability to reason about spatial structures. Although human-readable spatial schematics (e.g., floor plans) are ubiquitous in real-world buildings, current agents lack the cognitive ability to comprehend and utilize them. To bridge this gap, we introduce \textbf{FloorPlan-VLN}, a new paradigm that leverages structured semantic floor plans as global spatial priors to enable navigation with only concise instructions. We first construct the FloorPlan-VLN dataset, which comprises over 10k episodes across 72 scenes. It pairs more than 100 semantically annotated floor plans with Matterport3D-based navigation trajectories and concise instructions that omit step-by-step guidance. Then, we propose a simple yet effective method \textbf{FP-Nav} that uses a dual-view, spatio-temporally aligned video sequence, and auxiliary reasoning tasks to align observations, floor plans, and instructions. When evaluated under this new benchmark, our method significantly outperforms adapted state-of-the-art VLN baselines, achieving more than a 60\% relative improvement in navigation success rate. Furthermore, comprehensive noise modeling and real-world deployments demonstrate the feasibility and robustness of FP-Nav to actuation drift and floor plan distortions. These results validate the effectiveness of floor plan guided navigation and highlight FloorPlan-VLN as a promising step toward more spatially intelligent navigation.
- Abstract（参考訳）: 既存のVision-Language Navigation (VLN)タスクでは、エージェントは冗長な指示に従う必要があり、空間構造を推論する能力を制限するために、潜在的に有用なグローバル空間事前を無視している。
人間可読空間図学(例えば、フロアプラン)は現実世界の建物にはありふれたものであるが、現在のエージェントはそれを理解して活用する認知能力に欠ける。
このギャップを埋めるために、構造的セマンティックフロアプランをグローバル空間先行として活用し、簡潔な指示だけでナビゲーションを可能にする新しいパラダイムである \textbf{FloorPlan-VLN} を導入する。
最初にFloorPlan-VLNデータセットを構築した。
セマンティックアノテートされた100以上のフロアプランとMatterport3Dベースのナビゲーショントラジェクトリと、ステップバイステップのガイダンスを省略する簡潔なインストラクションを組み合わせている。
そこで我々は,双対ビュー,時空間対応ビデオシーケンス,および補助的推論タスクを用いて,観察,フロアプラン,指示の整合を図る,シンプルで効果的な方法である「textbf{FP-Nav}」を提案する。
このベンチマークで評価すると,本手法は適応型VLNベースラインを著しく上回り,航法成功率の60%以上を達成している。
さらに,FP-Navのアクティベーションドリフトおよびフロアプラン歪みに対する実現可能性とロバスト性を示した。
これらの結果はフロアプラン案内ナビゲーションの有効性を検証し,FloorPlan-VLNをより空間的にインテリジェントなナビゲーションに向けた有望なステップとして強調した。
関連論文リスト
- AgentVLN: Towards Agentic Vision-and-Language Navigation [78.739525400071]
VLN (Vision-and-Language Navigation) は、複雑な自然言語命令を、見えない環境での長距離ナビゲーションに接地するために、エンボディエージェントを必要とする。
本稿では,エッジコンピューティングプラットフォーム上に展開可能な,新規かつ効率的なナビゲーションフレームワークであるAgentVLNを提案する。
論文 参考訳（メタデータ） (2026-03-18T12:43:47Z) - HaltNav: Reactive Visual Halting over Lightweight Topological Priors for Robust Vision-Language Navigation [1.774434289475737]
VLN(Vision-and-Language Navigation)は、厳格なステップバイステップの指示から、オープンな語彙、ゴール指向の自律性へとシフトしている。
本稿では,OsmAGのロバストなグローバルプランニングと,VLNの局所探索と命令グラウンド機能を組み合わせた階層型ナビゲーションフレームワークHaltNavを提案する。
論文 参考訳（メタデータ） (2026-03-13T06:22:35Z) - Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。
Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
論文 参考訳（メタデータ） (2026-03-13T05:42:18Z) - DAgger Diffusion Navigation: DAgger Boosted Diffusion Policy for Vision-Language Navigation [73.80968452950854]
Vision-Language Navigation in Continuous Environments (VLN-CE) は、エージェントが自由形式の3D空間を通して自然言語の指示に従う必要がある。
既存のVLN-CEアプローチは通常、2段階のウェイポイント計画フレームワークを使用する。
本稿では,エンドツーエンド最適化VLN-CEポリシとしてDAgger Diffusion Navigation (DifNav)を提案する。
論文 参考訳（メタデータ） (2025-08-13T02:51:43Z) - FloNa: Floor Plan Guided Embodied Visual Navigation [17.872748053116137]
人間は自然に不慣れな環境で移動するためのフロアプランに頼っている。
既存のビジュアルナビゲーション設定は、この貴重な事前知識を見落としている。
我々はフロアプランビジュアルナビゲーション(FloNa)を紹介し、フロアプランを具体化ビジュアルナビゲーションに組み込む最初の試みである。
論文 参考訳（メタデータ） (2024-12-24T10:42:25Z) - Loc4Plan: Locating Before Planning for Outdoor Vision and Language Navigation [31.509686652011798]
VLN(Vision and Language Navigation)は、視覚環境において、エージェントが指示を理解し、目的地にナビゲートする必要がある課題である。
これまでの研究は主に、自然言語を視覚入力に基盤付けることに焦点を当てていたが、接地過程におけるエージェントの空間的位置情報の重要な役割を無視した。
本研究では,屋外VLNタスクにおける行動計画のための空間認識を取り入れた新しい枠組みであるLocating be for Planning(Loc4Plan)を紹介する。
論文 参考訳（メタデータ） (2024-08-09T14:31:09Z) - Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。
我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。
挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2024-07-08T12:52:46Z) - BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。
我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。
ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
論文 参考訳（メタデータ） (2022-12-08T16:27:54Z)
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。