論文の概要: PathPainter: Transferring the Generalization Ability of Image Generation Models to Embodied Navigation
- arxiv url: http://arxiv.org/abs/2605.07496v1
- Date: Fri, 08 May 2026 09:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.96313
- Title: PathPainter: Transferring the Generalization Ability of Image Generation Models to Embodied Navigation
- Title（参考訳）: PathPainter: 画像生成モデルの一般化能力から身体的ナビゲーションへ
- Abstract要約: 我々は,BEVイメージをグローバルな先行技術として利用し,地上・近地ロボットプラットフォーム向けに設計されたナビゲーションシステムを提案する。
このシステムは画像生成モデルを用いて、人間の意図を自然言語から解釈し、目的地を特定し、トラバーサビリティマスクを生成する。
実行中,ロボットの視線をBEVマップと整列させ,従来型の視線における長期的ドリフトを緩和するために,クロスビューの局所化を導入する。
- 参考スコア（独自算出の注目度）: 9.050022871709867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bird's-eye-view (BEV) images have been widely demonstrated to provide valuable prior information for navigation. Given the global information provided by such views, two key challenges remain: how to fully exploit this information and how to reliably use it during execution. In this paper, we propose a navigation system that uses BEV images as global priors and is designed for ground and near-ground robotic platforms. The system employs an image generation model to interpret human intent from natural language, identify the target destination, and generate traversability masks. During execution, we introduce cross-view localization to align the robot's odometry with the BEV map and mitigate long-term drift in conventional odometry. We conduct extensive benchmark experiments to evaluate the proposed method and further validate it on a UAV platform. Using only a conventional local motion planner, the UAV successfully completes a 160-meter outdoor long-range navigation task. This work demonstrates how the world-understanding capabilities of foundation models can be transferred to embodied navigation, enabling robots to benefit from the strong generalization ability of existing image generation models.
- Abstract（参考訳）: バードアイビュー (Bird's-eye-view, BEV) 画像はナビゲーションに有用な事前情報を提供するために広く実証されている。
このような見解によって提供されるグローバルな情報を考えると、この情報を完全に活用する方法と、実行時に確実に利用する方法についての2つの大きな課題が残る。
本稿では,BEV画像を用いたナビゲーションシステムを提案する。
このシステムは画像生成モデルを用いて、人間の意図を自然言語から解釈し、目的地を特定し、トラバーサビリティマスクを生成する。
実行中,ロボットの視線をBEVマップと整列させ,従来型の視線における長期的ドリフトを緩和するために,クロスビューの局所化を導入する。
提案手法の評価とUAVプラットフォーム上での検証を行うため,広範囲なベンチマーク実験を行った。
従来のローカルモーションプランナーのみを使用して、UAVは160メートルの屋外長距離ナビゲーションタスクを成功させた。
本研究は,既存の画像生成モデルの強力な一般化能力の恩恵をロボットが受けられるように,基礎モデルの世界的理解能力が具体的ナビゲーションにどのように移行できるかを実証する。
関連論文リスト
- Distilling Global Traversability Priors for Image-based Affordance Prediction in Off-road Environments [11.788562558317288]
非構造地形における自律ナビゲーションの標準的な手法は、長期のシナリオにおける筋電図的行動に起因している。
本研究では,FPV画像から直接,長距離走行可能なフロンティアを抽出することに注力する。
提案手法は,様々なオフラインベンチマークにおいて,既存手法に対する長距離オフロードナビゲーションの性能を10%以上向上させることを実証する。
論文 参考訳（メタデータ） (2026-07-20T14:16:17Z) - 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) - DeFM: Learning Foundation Representations from Depth for Robotics [49.77188649197404]
DeFMはロボットアプリケーションのための深度画像に基づいて訓練された自己教師型基礎モデルである。
DeFMは幾何学的および意味的な表現を学び、様々な環境、タスク、センサーに一般化する。
最先端の性能を達成し、シミュレーションから実環境への強力な一般化を実証する。
論文 参考訳（メタデータ） (2026-01-26T19:45:31Z) - VENTURA: Adapting Image Diffusion Models for Unified Task Conditioned Navigation [15.811034169990423]
VENTURAは、インターネットに制約された画像拡散モデルを微調整して経路計画を行う視覚制御ナビゲーションシステムである。
軽量な行動閉鎖ポリシーは、これらの視覚計画を実行可能な軌道に置き、自然言語の指示に従うインターフェースを生成する。
大規模な実世界の評価において、VENTURAは、オブジェクト到達、障害物回避、地形優先タスクに基づく最先端の基盤モデルよりも優れている。
論文 参考訳（メタデータ） (2025-10-01T19:21:28Z) - NavigateDiff: Visual Predictors are Zero-Shot Navigation Assistants [24.689242976554482]
慣れ親しんだ環境をナビゲートすることは、家庭用ロボットにとって大きな課題となる。
既存の強化学習手法は、直接新しい環境に移行することはできない。
我々は、事前学習された基礎モデルの論理知識と一般化能力をゼロショットナビゲーションに転送しようと試みる。
論文 参考訳（メタデータ） (2025-02-19T17:27:47Z) - Game4Loc: A UAV Geo-Localization Benchmark from Game Data [0.0]
クロスビューペアデータの部分的マッチングを含む,より実用的なUAV測位タスクを提案する。
実験により,UAV測地のためのデータとトレーニング手法の有効性が示された。
論文 参考訳（メタデータ） (2024-09-25T13:33:28Z) - An Informative Path Planning Framework for Active Learning in UAV-based
Semantic Mapping [27.460481202195012]
無人航空機(UAV)は、航空地図や一般的な監視作業に頻繁に使用される。
近年のディープラーニングの進歩により、画像の自動セマンティックセグメンテーションが実現され、大規模な複雑な環境の解釈が容易になった。
モデル再学習のための情報的訓練画像を自律的に取得するための,UAVのための新しい汎用的計画フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T09:41:21Z) - GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。
ロボット間の効率的なデータ共有に必要な設計決定について分析する。
我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
論文 参考訳（メタデータ） (2022-10-07T07:26:41Z) - LM-Nav: Robotic Navigation with Large Pre-Trained Models of Language,
Vision, and Action [76.71101507291473]
本稿では,無注釈の大規模軌跡データに対するトレーニングの恩恵を享受するロボットナビゲーションシステムLM-Navを提案する。
本研究では,ナビゲーション(ViNG),画像言語アソシエーション(CLIP),言語モデリング(GPT-3)の事前学習モデルから構築可能なシステムについて述べる。
論文 参考訳（メタデータ） (2022-07-10T10:41:50Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳（メタデータ） (2022-02-23T02:14:23Z) - Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。
本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。
学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
論文 参考訳（メタデータ） (2021-04-12T23:14:41Z)
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。