論文の概要: VISTA: Scale-Aware Visual Navigation via Action History Conditioning

• arxiv url: http://arxiv.org/abs/2606.17294v1
• Date: Mon, 15 Jun 2026 21:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.143908
• Title: VISTA: Scale-Aware Visual Navigation via Action History Conditioning
• Title（参考訳）: VISTA:アクション履歴コンディショニングによる大規模視覚ナビゲーション
• Authors: Maeva Guerrier, Koki Kobayashi, Simon Roy, Jana Pavlasek, Giovanni Beltrame,
• Abstract要約: Vision Navigation Foundation Models (VNMs)は、ゼロショット展開が可能なエンドツーエンドの学習ナビゲーションポリシーを約束する。 現在のVNMは、特徴に欠ける視覚的に反復的な環境でしばしば苦労する。 本稿では, ゼロショット実世界の展開において, 100%目標予測精度を達成し, 配当外の環境に強固に一般化するVISTAを提案する。
• 参考スコア（独自算出の注目度）: 4.792216056979392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision Navigation Foundation Models (VNMs) promise end-to-end learned navigation policies capable of zero-shot deployment across diverse embodiments and environments. To maintain generality, many vision-based navigation models predict normalized actions. However, this normalization introduces a critical deployment vulnerability: applying different scaling factors to the same normalized trajectory alters its physical geometry, which degrades navigation performance and increases collision risks. We address this vulnerability by conditioning the model on normalized action histories alongside image observations, providing explicit context on the relationship between the model's predictions and the robot's actual physical displacement. Furthermore, current VNMs often struggle in visually repetitive environments that lack distinct features. To resolve this issue, we integrate a DINOv3 encoder, whose richer representations enable our model to capture both spatial and geometric dimensions between observations. VISTA generalizes robustly to out-of-distribution environments, achieving 100% goal prediction accuracy in zero-shot, real-world deployment in Outdoor, Forest and Office settings, and an average of 95% checkpoints crossed, demonstrating consistent path following in unseen environments.
• Abstract（参考訳）: Vision Navigation Foundation Models (VNMs) は、多様な環境や環境にまたがるゼロショット展開が可能なエンドツーエンドの学習ナビゲーションポリシーを約束する。 汎用性を維持するため、多くの視覚ベースのナビゲーションモデルは正規化動作を予測する。 しかし、この正規化では、異なるスケーリング要素を同じ正規化軌道に適用することで、物理形状が変化し、ナビゲーション性能が低下し、衝突リスクが増大する。 この脆弱性に対処するために、画像観察と並行して正規化された行動履歴をモデルに条件付けし、モデルの予測とロボットの実際の身体的変位との関係について明確なコンテキストを提供する。 さらに、現在のVNMは、特徴に欠ける視覚的に反復的な環境でしばしば苦労する。 この問題を解決するためにDINOv3エンコーダを統合し、よりリッチな表現により、我々のモデルは観測間の空間的次元と幾何学的次元の両方を捉えることができる。 VISTAは、アウト・オブ・ディストリビューション環境に堅牢に一般化し、ゼロショット、フォレスト、オフィスの設定における実世界のデプロイにおいて100%の目標予測精度を達成し、平均95%のチェックポイントが交差し、目に見えない環境で従う一貫したパスを示す。

関連論文リスト

• WAM-Nav: Asymmetric Latent World-Action Modeling for Unified Visual Navigation [31.539730066120374]
  視覚ナビゲーションは、複雑な幾何学的および物理的制約の下で滑らかで衝突のない軌道を生成する必要がある。 WAM-Navは,視覚ナビゲーションを具体化した潜在世界行動モデルであり,行動生成と潜時視予知を共同で学習する。
  論文  参考訳（メタデータ） (2026-06-03T14:05:19Z)
• Can Vision Foundation Models Navigate? Zero-Shot Real-World Evaluation and Lessons Learned [5.561294055181353]
  ビジュアルナビゲーションモデル(VNM)は、大規模な視覚的なデモンストレーションから学ぶことで、一般化可能なロボットナビゲーションを約束する。 室内と屋外にまたがる2つのロボットプラットフォームと5つの環境にまたがる5つの最先端VNMの現実的評価について述べる。
  論文  参考訳（メタデータ） (2026-03-26T22:04:49Z)
• AstraNav-World: World Model for Foresight Control and Consistency [40.07910402326578]
  ダイナミックな環境での身体的ナビゲーションは、世界がどのように進化し、どのように行動が時間とともに広がるかを正確に予測する必要がある。 AstraNav-Worldは、未来の視覚状態とアクションシーケンスを共同で推論するエンド・ツー・エンドの世界モデルである。 本フレームワークは,拡散型ビデオジェネレータとビジョン言語ポリシーを統合し,同期ロールアウトを実現する。
  論文  参考訳（メタデータ） (2025-12-25T15:31:24Z)
• From Seeing to Experiencing: Scaling Navigation Foundation Models with Reinforcement Learning [59.88543114325153]
  本稿では,航法基礎モデルの強化学習能力を高めるためのSeeing-to-Experiencingフレームワークを提案する。 S2Eは、ビデオの事前トレーニングとRLによるポストトレーニングの長所を組み合わせたものだ。 実世界のシーンを3DGSで再現した3D画像に基づく総合的なエンドツーエンド評価ベンチマークであるNavBench-GSを構築した。
  論文  参考訳（メタデータ） (2025-07-29T17:26:10Z)
• VISTA: Monocular Segmentation-Based Mapping for Appearance and View-Invariant Global Localization [0.2356141385409842]
  VISTAは、オープンセットで単分子的なグローバルローカライゼーションフレームワークである。 環境マップ間の幾何学的整合性を利用して参照フレームを整列させる。 季節および斜角の航空データセット上でのVISTAの評価を行い,ベースライン法よりも最大69%改善した。
  論文  参考訳（メタデータ） (2025-07-15T18:38:35Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Ground-level Viewpoint Vision-and-Language Navigation in Continuous Environments [10.953629652228024]
  VLN(Vision-and-Language Navigation)エージェントは、時系列の視覚観察とそれに対応する指示を関連付け、意思決定を行う。 本稿では,人間中心の指示と低地視野の四足歩行ロボットとのミスマッチに対処する。 この問題を軽減するために,地上レベルの視点ナビゲーション(GVNav)手法を提案する。
  論文  参考訳（メタデータ） (2025-02-26T10:30:40Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Counterfactual Vision-and-Language Navigation via Adversarial Path Sampling [65.99956848461915]
  VLN(Vision-and-Language Navigation)は、エージェントが目標を達成するために3D環境を移動する方法を決定するタスクである。 VLNタスクの問題点の1つは、対話型環境において、人間に注釈を付けた指示で十分なナビゲーションパスを収集することは困難であるため、データの不足である。 本稿では,低品質な拡張データではなく,効果的な条件を考慮可能な,対向駆動の反実的推論モデルを提案する。
  論文  参考訳（メタデータ） (2019-11-17T18:02:51Z)

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。