論文の概要: A Deployable Embodied Vision-Language Navigation System with Hierarchical Cognition and Context-Aware Exploration
- arxiv url: http://arxiv.org/abs/2604.21363v1
- Date: Thu, 23 Apr 2026 07:27:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.359652
- Title: A Deployable Embodied Vision-Language Navigation System with Hierarchical Cognition and Context-Aware Exploration
- Title（参考訳）: 階層的認識と文脈認識に基づく展開型視覚言語ナビゲーションシステム
- Authors: Kuan Xu, Ruimeng Liu, Yizhuo Yang, Denan Liang, Tongxing Jin, Shenghai Yuan, Chen Wang, Lihua Xie,
- Abstract要約: 視覚言語ナビゲーション(VLN)では、既存のアプローチはしばしば、強力な推論能力と現実世界のプラットフォームへの効率的なデプロイのトレードオフに直面します。
本稿では,実世界のロボットプラットフォーム上での高効率かつ堅牢な高レベル推論を実現する,デプロイ可能な組込みVLNシステムを提案する。
- 参考スコア（独自算出の注目度）: 29.871705369272124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bridging the gap between embodied intelligence and embedded deployment remains a key challenge in intelligent robotic systems, where perception, reasoning, and planning must operate under strict constraints on computation, memory, energy, and real-time execution. In vision-language navigation (VLN), existing approaches often face a fundamental trade-off between strong reasoning capabilities and efficient deployment on real-world platforms. In this paper, we present a deployable embodied VLN system that achieves both high efficiency and robust high-level reasoning on real-world robotic platforms. To achieve this, we decouple the system into three asynchronous modules: a real-time perception module for continuous environment sensing, a memory integration module for spatial-semantic aggregation, and a reasoning module for high-level decision making. We incrementally construct a cognitive memory graph to encode scene information, which is further decomposed into subgraphs to enable reasoning with a vision-language model (VLM). To further improve navigation efficiency and accuracy, we also leverage the cognitive memory graph to formulate the exploration problem as a context-aware Weighted Traveling Repairman Problem (WTRP), which minimizes the weighted waiting time of viewpoints. Extensive experiments in both simulation and real-world robotic platforms demonstrate improved navigation success and efficiency over existing VLN approaches, while maintaining real-time performance on resource-constrained hardware.
- Abstract（参考訳）: インテリジェンスと組み込みデプロイメントのギャップを埋めることは、認識、推論、計画が計算、メモリ、エネルギ、リアルタイム実行の厳しい制約の下で動作しなければならないインテリジェントなロボットシステムにおいて、依然として重要な課題である。
視覚言語ナビゲーション(VLN)では、既存のアプローチは、強い推論能力と現実世界のプラットフォームへの効率的なデプロイの間に根本的なトレードオフに直面します。
本稿では,実世界のロボットプラットフォーム上での高効率かつ堅牢な高レベル推論を実現する,デプロイ可能な組込みVLNシステムを提案する。
これを実現するために,システムを3つの非同期モジュールに分割する: 連続環境検知のためのリアルタイム認識モジュール,空間意味集約のためのメモリ統合モジュール,高レベルの意思決定のための推論モジュール。
本稿では,視覚言語モデル(VLM)を用いた推論を可能にするために,シーン情報をさらにサブグラフに分解する認知記憶グラフを段階的に構築する。
ナビゲーションの効率と精度をさらに向上するために、認知記憶グラフを利用して、視野の重み付け待ち時間を最小限に抑えるWTRP (Context-Aware Weighted Traveling repairman Problem) として探索問題を定式化する。
シミュレーションと実世界のロボットプラットフォームにおける大規模な実験は、既存のVLNアプローチよりもナビゲーションの成功と効率の向上を示し、リソース制約のあるハードウェア上でのリアルタイムパフォーマンスを維持している。
関連論文リスト
- FSUNav: A Cerebrum-Cerebellum Architecture for Fast, Safe, and Universal Zero-Shot Goal-Oriented Navigation [8.950226217725994]
本稿では,高速で安全で汎用的なゼロショット目標指向ナビゲーションのためのセルブラム・セレベラムアーキテクチャFSUNavを提案する。
提案アーキテクチャは、視覚言語モデル(VLM)と提案アーキテクチャを統合する。
FSUNavは、オブジェクト、インスタンスイメージ、タスクナビゲーションにおける最先端のパフォーマンスを達成し、既存のメソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-03T16:01:58Z) - ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。
既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。
シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
論文 参考訳（メタデータ） (2026-03-30T15:06:41Z) - 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) - History-Conditioned Spatio-Temporal Visual Token Pruning for Efficient Vision-Language Navigation [18.716145266309802]
Vision-Language Navigation (LNV)は、ロボットが視覚的に接地された環境で自然言語の指示に従うことを可能にする。
近年のVision-Language-Action-Modelでは,ナビゲーション性能は高いが,リアルタイムデプロイメントを制限している計算遅延は大きい。
VLNベースのVLNに適した学習自由な視覚言語フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-06T17:03:16Z) - TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。
我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。
トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。
埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
論文 参考訳（メタデータ） (2026-03-03T13:28:07Z) - CoINS: Counterfactual Interactive Navigation via Skill-Aware VLM [13.352875026471445]
スキル認識型VLM(CoINS)による対物対話ナビゲーションを提案する。
我々は、スキルの余裕と具体的な制約パラメータを入力コンテキストに組み込んだ、InterNav-VLMというVLMを微調整する。
生成した高レベルプランを実行するために,強化学習による総合的なスキルライブラリを開発する。
論文 参考訳（メタデータ） (2026-01-07T14:10:46Z) - How Far are VLMs from Visual Spatial Intelligence? A Benchmark-Driven Perspective [103.44502230776352]
視覚言語モデル(VLM)における視覚空間推論(VSR)の系統的研究について述べる。
空間インテリジェンスを3つのレベル,すなわち基本的な知覚,空間理解,空間計画,および空間インテリジェンスベンチマークSIBenchに分類した。
論文 参考訳（メタデータ） (2025-09-23T12:00:14Z) - A Navigation Framework Utilizing Vision-Language Models [0.0]
VLN(Vision-and-Language Navigation)は、AIを具現化した複雑な課題である。
CLIPやFlamingoのような大規模視覚言語モデル(LVLM)の最近の進歩は、マルチモーダル理解を大幅に改善した。
動作計画から視覚言語理解を分離するモジュラー・プラグ・アンド・プレイナビゲーション・フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-11T20:51:58Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。
マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。
HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z)
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。