論文の概要: GN0: Toward a Unified Paradigm for Generation, Evaluation, and Policy Learning in Visual-Language Navigation

• arxiv url: http://arxiv.org/abs/2606.03682v1
• Date: Tue, 02 Jun 2026 14:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.05174
• Title: GN0: Toward a Unified Paradigm for Generation, Evaluation, and Policy Learning in Visual-Language Navigation
• Title（参考訳）: GN0:ビジュアル言語ナビゲーションにおける生成・評価・政策学習のための統一パラダイムを目指して
• Authors: Xinhai Li, Xiaotao Zhang, Yuehao Huang, Jiankun Dong, Tianhang Wang, Sunyao Zhou, Yunzi Wu, Chengnuo Sun, Yunfei Ge, Qizhen Weng, Chi Zhang, Chenjia Bai, Xuelong Li,
• Abstract要約: 身体的ナビゲーションは知的エージェントと物理世界を結ぶ。 多様な3Dシーンをキュレートし、大規模ナビゲーションデータのための自動パイプラインを開発する。 対話型ローミングと衝突認識ナビゲーションをサポートする高忠実度シミュレーションプラットフォームを提案する。
• 参考スコア（独自算出の注目度）: 44.636961177849145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied navigation connects intelligent agents with the physical world and is fundamental for general robotic intelligence. Limited availability and quality of navigation data have constrained Vision-and-Language Navigation (VLN) systems' generalization and long-horizon capabilities. To address this, we curate diverse 3D scenes and develop an automated pipeline for large-scale navigation data, resulting in the GN-Matrix dataset. Building on a 3D Gaussian Splatting (3DGS) engine, we introduce a high-fidelity simulation platform supporting interactive roaming and collision-aware navigation. We further propose GN-Bench, the first BEV-based benchmark incorporating dynamic 3DGS avatars for human-robot interaction evaluation. To leverage the simulator, we develop an RL-driven navigation foundation model, Break and Establish (BAE). After supervised learning, DAgger exposes the model to rollout-induced states, breaking narrow expert-centric distributions and enabling downstream RL exploration. This unified VLN paradigm integrates map-based and map-free tasks, including instruction following, human following, and goal navigation. GN-BAE formalizes high-fidelity 3DGS-rendered Bird's Eye View representations as compact memory, unlocking latent spatial reasoning in VLMs. Extensive evaluations on GN-Bench and VLN-CE show that GN0 outperforms state-of-the-art VLN methods. Overall, GN-Matrix offers a unified framework spanning data, simulation, and learning, advancing embodied navigation in research and industrial applications.
• Abstract（参考訳）: 身体的ナビゲーションは知的エージェントを物理的な世界と結び付け、汎用ロボット知能の基礎となる。 ナビゲーションデータの可用性と品質は、Vision-and-Language Navigation (VLN)システムの一般化と長距離機能に制約がある。 そこで我々は,多様な3Dシーンをキュレートし,大規模ナビゲーションデータの自動パイプラインを開発し,その結果,GN-Matrixデータセットが得られた。 3Dガウススプラッティング(3DGS)エンジン上に構築され,対話型ローミングと衝突認識ナビゲーションをサポートする高忠実度シミュレーションプラットフォームを導入する。 さらに,人間とロボットの相互作用評価に動的3DGSアバターを組み込んだ最初のBEVベースのベンチマークであるGN-Benchを提案する。 シミュレータを活用するために,RL駆動ナビゲーション基盤モデルであるBreak and Establish(BAE)を開発した。 教師付き学習の後、DAggerはモデルをロールアウトによって引き起こされる状態に公開し、狭い専門家中心の分布を破り、下流のRL探索を可能にする。 この統合されたVLNパラダイムは、指示追従、人間の追従、ゴールナビゲーションを含むマップベースおよびマップフリータスクを統合している。 GN-BAEは、高忠実度3DGSレンダリングされたBird's Eye View表現をコンパクトメモリとして形式化し、VLMの潜在空間推論をアンロックする。 GN-BenchとVLN-CEの大規模な評価は、GN0が最先端のVLN法より優れていることを示している。 全体として、GN-Matrixは、データ、シミュレーション、学習にまたがる統一されたフレームワークを提供し、研究および産業アプリケーションにおける具体的ナビゲーションを推進している。

関連論文リスト

• LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation [96.09246387639006]
  LookasideVLNは、より正確な空間推論とより高い計算効率を達成するために、自然言語の方向の手がかりを利用する。 LookasideVLNは、シングルレベルのルックアヘッドでも、最先端のCityNavAgentよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-04-19T01:36:53Z)
• 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)
• 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)
• NavDreamer: Video Models as Zero-Shot 3D Navigators [10.105345998118915]
  本稿では,生成的映像モデルを言語命令と軌跡間の普遍的なインターフェースとして活用する3次元ナビゲーションのための映像ベースのフレームワークを提案する。 我々の主要な仮説は、映像が情報と物理力学をエンコードし、インターネットスケールの可用性と組み合わせることで、ナビゲーションにおけるゼロショットの強力な一般化を可能にする、というものである。
  論文  参考訳（メタデータ） (2026-02-10T13:24:12Z)
• OpenFly: A Comprehensive Platform for Aerial Vision-Language Navigation [49.697035403548966]
  Vision-Language Navigation (VLN)は、言語命令と視覚的手がかりを活用してエージェントを誘導することを目的としており、AIの具体化において重要な役割を果たす。 各種レンダリングエンジン,多用途ツールチェーン,航空VLNの大規模ベンチマークからなるプラットフォームであるOpenFlyを提案する。 我々は、100kの軌跡を持つ大規模な航空VLNデータセットを構築し、18のシーンにまたがる様々な高さと長さをカバーした。
  論文  参考訳（メタデータ） (2025-02-25T09:57:18Z)
• UnitedVLN: Generalizable Gaussian Splatting for Continuous Vision-Language Navigation [71.97405667493477]
  我々は,UnitedVLNと呼ばれる,新しい汎用3DGSベースの事前学習パラダイムを導入する。 エージェントは、高忠実度360度ビジュアルイメージとセマンティック特徴を統一してレンダリングすることで、将来の環境をよりよく探索することができる。 UnitedVLNは既存のVLN-CEベンチマークで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-11-25T02:44:59Z)

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。