論文の概要: LiveVLN: Breaking the Stop-and-Go Loop in Vision-Language Navigation

• arxiv url: http://arxiv.org/abs/2604.19536v1
• Date: Tue, 21 Apr 2026 14:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.826833
• Title: LiveVLN: Breaking the Stop-and-Go Loop in Vision-Language Navigation
• Title（参考訳）: LiveVLN:視覚・言語ナビゲーションにおけるストップ・アンド・ゴーループを破る
• Authors: Xiangchen Wang, Weiye Zhu, Teng Wang, TianTian Geng, Zekai Zhang, Zhiyuan Qi, Jinyu Yang, Feng Zheng,
• Abstract要約: LiveVLNは、継続的エンボディドナビゲーションのためのトレーニング不要のフレームワークである。 LiveVLNは、新しく到着した観測の処理と重なり合う。
• 参考スコア（独自算出の注目度）: 48.566721335127106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent navigation systems achieve strong benchmark results, yet real-world deployment often remains visibly stop-and-go. This bottleneck arises because the sense-inference-execution loop is still blocking: after each new observation, the controller must wait for sensing, transmission, and inference before motion can continue. Reducing action-generation cost alone therefore does not remove redundant waiting. To address this issue, we present LiveVLN, a training-free framework for more continuous embodied navigation by augmenting pretrained VLM navigators with multi-step action continuation. Instead of pausing for each full sense-and-inference round, LiveVLN overlaps execution with the processing of newly arrived observations, allowing refreshed future actions to be handed off before the current executable prefix is exhausted. This design keeps actions continuously available during motion, reducing idle waiting and enabling smoother online execution. The framework operates at runtime and can be integrated with compatible pretrained VLM navigators. Across R2R and RxR, LiveVLN preserves benchmark performance while reducing waiting time and improving action availability. In real-world deployments, it cuts average episode waiting time by up to $77.7\%$ and shortens wall-clock episode time by $12.6\%$ on StreamVLN and $19.6\%$ on NaVIDA, yielding more coherent execution during deployment. Code is available at https://github.com/NIneeeeeem/LiveVLN.
• Abstract（参考訳）: 最近のナビゲーションシステムは強力なベンチマーク結果を得るが、実世界の展開は目に見えるように止まったままであることが多い。 このボトルネックは、感覚推論実行ループがまだブロックされているため発生します。新しい観察が終わったら、コントローラは動きが続く前に、検知、伝達、推論を待つ必要があります。 したがって、アクションジェネレーションコストの削減だけでは、冗長な待ち時間を取り除くことはできない。 この問題に対処するため,マルチステップ動作継続によるトレーニング済みのVLMナビゲータを増強し,より連続的なナビゲーションを実現するためのトレーニングフリーフレームワークであるLiveVLNを提案する。 LiveVLNは、すべての感覚と推論のラウンドを一時停止する代わりに、実行と新しく到着した観測の処理を重複させ、現在の実行可能プレフィックスが枯渇する前に、リフレッシュされた将来のアクションが引き渡されるようにする。 この設計は、動作中にアクションを継続的に利用し、アイドル待ちを減らし、よりスムーズなオンライン実行を可能にする。 このフレームワークは実行時に動作し、互換性のあるVLMナビゲータと統合することができる。 R2RとRxR全体で、LiveVLNはベンチマークのパフォーマンスを保ちながら、待機時間を短縮し、アクション可用性を改善している。 実際のデプロイメントでは、平均エピソード待ち時間を7.7 %まで削減し、StreamVLNでは12.6 %、NaVIDAでは19.6 %に短縮し、デプロイメント中により一貫性のある実行を実現している。 コードはhttps://github.com/NIneeeeeem/LiveVLN.comで入手できる。

関連論文リスト

• StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation [30.881585159777714]
  視覚言語アクション(VLA)モデルは、自然言語による知覚と制御において例外的な性能を示した。 VLAモデルの高い計算コストは、大きな効率上の課題をもたらす。 本稿では,VLAステージ間で非同期並列化が可能なVLAを実現することを提案する。
  論文  参考訳（メタデータ） (2026-03-30T15:23:27Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
  高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。 リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。 AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-13T21:31:19Z)
• VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference [24.248289541718275]
  非同期推論は、連続および低レイテンシ制御を実現するための有望なソリューションを提供する。 本稿では,ビジョン・ランゲージ・アクションモデルのための一般的な非同期推論フレームワークであるVLASHを提案する。 追加のオーバーヘッドやアーキテクチャの変更なしに、スムーズで、正確で、高速な反応制御を提供する。
  論文  参考訳（メタデータ） (2025-11-30T18:59:24Z)
• Continuum: Efficient and Robust Multi-Turn LLM Agent Scheduling with KV Cache Time-to-Live [30.099614426825834]
  Continuumは、マルチターンエージェントワークロードのジョブ完了時間を最適化するサービスシステムである。 エージェントのツールコール時間を予測することで、Continuumは全ターン数に基づいて、KVキャッシュをGPUメモリに選択的にピン留めする。 Llama-3.1 8B/70Bモデルを用いた実世界のエージェントワークロードに対する評価は、Continuumが平均ジョブ完了時間を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2025-11-04T03:43:05Z)
• StreamVLN: Streaming Vision-and-Language Navigation via SlowFast Context Modeling [27.468345201477504]
  実世界の環境におけるVLN(Vision-and-Language Navigation)では、エージェントが連続的なビジュアルストリームを処理し、言語命令に基礎を置く低レイテンシでアクションを生成する必要がある。 本稿では,ストリームVLNフレームワークについて紹介する。ストリームVLNは,マルチモーダル推論をサポートするために,低速コンテキストモデリングをハイブリッドで実現する。 VLN-CEベンチマークの実験では、最先端のパフォーマンスが安定した低レイテンシで、現実のデプロイメントにおける堅牢性と効率が保証されている。
  論文  参考訳（メタデータ） (2025-07-07T17:49:41Z)
• VLN-R1: Vision-Language Navigation via Reinforcement Fine-Tuning [77.34267241692706]
  Vision-Language Navigation(VLN)は、エージェントが自然言語命令を使用して現実世界の環境をナビゲートする必要がある、AIの実施における中核的な課題である。 本稿では、LVLM(Large Vision-Language Models)を利用して、エゴセントリックな動画ストリームを連続的なナビゲーションアクションに変換するエンドツーエンドフレームワークであるVLN-R1を提案する。
  論文  参考訳（メタデータ） (2025-06-20T17:59:59Z)
• Real-Time Execution of Action Chunking Flow Policies [49.1574468325115]
  本稿では,アクションインタラクションシステムの非同期実行を可能にする新しい推論時アルゴリズムを提案する。 これは、再トレーニングなしでボックスから実行する拡散またはVLAベースのシステムに適用できる。 その結果、RTCは高速で、性能が高く、推論操作に対して一意に堅牢であることがわかった。
  論文  参考訳（メタデータ） (2025-06-09T01:01:59Z)

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。