論文の概要: CLOSER-VLN: Closed-Loop Self-Verified Retrieval-Augmented Reasoning for Aerial Vision-Language Navigation

• arxiv url: http://arxiv.org/abs/2606.28397v1
• Date: Wed, 24 Jun 2026 05:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.546177
• Title: CLOSER-VLN: Closed-Loop Self-Verified Retrieval-Augmented Reasoning for Aerial Vision-Language Navigation
• Title（参考訳）: CLOSER-VLN:空中視線ナビゲーションのための閉ループ自己検証検索推論
• Abstract要約: 視覚言語ナビゲーション(VLN)は、タスク固有のナビゲーションポリシーをトレーニングすることなく、エージェントが見えない環境で自然言語の指示に従うことができる、大規模な言語モデルとマルチモーダルモデルで最近進歩した。 既存のVLNメソッドの多くは、命令や観察から候補アクションが生成されるが、実行前に検証や修正されることは滅多にない、オープンループ決定実行アプローチに依存している。 コンクリート施工前にクローズループ方式で行動推論,信頼性検証,ターゲット検索,行動補正を逐次行う訓練自由度法であるCLOSERを提案する。
• 参考スコア（独自算出の注目度）: 10.221757123615786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language navigation (VLN) has recently advanced with large language and multimodal models, enabling agents to follow natural-language instructions in unseen environments without training a task-specific navigation policy. However, most existing VLN methods relying on large models still adopt an open-loop decision-execution approach, where candidate actions are generated from instructions and observations but are rarely verified or corrected before execution. This causes critical issues in aerial VLN, where minor errors in intermediate actions may quickly accumulate into large trajectory deviations and lead to target loss. To address this issue, we propose Closed-loop Self-verified Retrieval-augmented Reasoning (CLOSER), a training-policy-free method that sequentially performs action reasoning, reliability verification, targeted retrieval, and action correction in a closed-loop manner before executing concrete actions. We instantiate the CLOSER in aerial VLN tasks and develop a CLOSER-VLN framework, which is composed of three components: a hierarchical reasoner for generating candidate actions based on available information, a multidimensional action verifier for assessing the reliability of actions generated by the reasoner, and a verification-triggered multimodal retriever for retrieving targeted exemplars from a memory bank only when verification fails. We conduct experimental evaluations on the CityNav benchmark, where CLOSER-VLN achieves 32.01% SR and 21.28% SPL on the test-unseen split, confirming the effectiveness of closed-loop reasoning.
• Abstract（参考訳）: 視覚言語ナビゲーション(VLN)は、タスク固有のナビゲーションポリシーをトレーニングすることなく、エージェントが見えない環境で自然言語の指示に従うことができる、大規模な言語モデルとマルチモーダルモデルで最近進歩した。 しかしながら、既存のVLNメソッドの多くは、命令や観察から候補アクションが生成されるが、実行前に検証や修正されることは滅多にない、オープンループ決定実行アプローチを採用している。 これは、空中VLNにおいて重大な問題を引き起こし、中間動作の小さなエラーがすぐに大きな軌道偏差に蓄積され、目標の損失につながる可能性がある。 そこで本研究では,行動推論,信頼性検証,ターゲット検索,行動修正を連続的に行う訓練自由度法であるClosed-loop Self-verified Retrieval-augmented Reasoning (CLOSER)を提案する。 本稿では,航空VLNタスクにおいてCLOSERをインスタンス化し,利用可能な情報に基づいて候補行動を生成する階層的推論器と,推論器が生成する動作の信頼性を評価する多次元動作検証器と,検証が失敗した場合にのみメモリバンクから対象外見を検索する検証トリガー付きマルチモーダル検索器の3つのコンポーネントからなるCLOSER-VLNフレームワークを開発する。 CLOSER-VLNは32.01%のSRと21.28%のSPLをテスト未確認スプリットで達成し,閉ループ推論の有効性を確認した。

関連論文リスト

• VerNav: Verifier-First Low-Latency Vision-and-Language Navigation [7.190348268664948]
  VLN(Vision-and-Language Navigation)は、エージェントが自然の遅延指示に従って見えない3D環境をナビゲートする必要がある。 我々は低言語LLMベースのVLNのための検証ファーストフレームワークであるVerNavを提案する。
  論文  参考訳（メタデータ） (2026-09-01T08:45:15Z)
• ReflectVLN: Training Vision-Language Navigation Agents with Reflective Reasoning [3.003666403039533]
  ReflectVLNは双方向の対話的意図と実行エージェントを通じて意思決定を組織するエージェントVLNフレームワークである。 我々は、制約付きデータ予算の下で、ReflectVLNが成功率とパス効率を改善することを示す。
  論文  参考訳（メタデータ） (2026-07-14T12:09:33Z)
• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies [58.65913948991329]
  正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。 私たちのブートストラップ哲学は、効果的な視覚的思考でアクションを導くことです。 これは、デコードオーバーヘッドを回避しながら空間的精度を保った、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラップする。
  論文  参考訳（メタデータ） (2026-05-28T14:36:53Z)
• Pre-VLA: Preemptive Runtime Verification for Reliable Vision-Language-Action and World-Model Rollouts [18.44683570310399]
  低品質なアクションは、実行中に物理的な障害を引き起こしたり、冗長なレンダリングコストで世界モデルのロールアウトを誤解させるおそれがある。 実演や世界モデルの想像力の前にプリエンプティブ・アクションアセスメントの妥当性を示す統一型ランタイム検証アーキテクチャであるPre-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-21T13:13:31Z)
• Jump-Start Reinforcement Learning with Vision-Language-Action Regularization [1.2599533416395767]
  強化学習(RL)は、ロボット操作のための高周波閉ループ制御を可能にする。 現在の制限は、高速かつ正確な操作において直接の使用を妨げる。 探索と学習効率を向上させるために,VLAJS(Vision-Language-Action Jump-Starting)を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:17:54Z)
• 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)
• Unleashing VLA Potentials in Autonomous Driving via Explicit Learning from Failures [14.313346858887286]
  自律走行のためのVLA(Vision-Language-Action)モデルは、強化学習(Reinforcement Learning、RL)最適化時にしばしばパフォーマンス高原に到達する。 この停滞は、以前のスーパービジョン・ファインチューニング(SFT)によって制約された探査能力から生じる。 構造化された診断フィードバックでRLを増強するフレームワークであるELF-VLA(Explicit Learning from Failures)を提案する。
  論文  参考訳（メタデータ） (2026-03-01T11:41:22Z)
• CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding [60.06899554269808]
  サイクロンVLA(CycleVLA)は、VLA(Vision-Language-Action Model)を積極的に自己補正するシステムである。 CycleVLAは、重要なサブタスク遷移ポイントにフラグを付けるプログレス対応のVLAを統合することで、これを実現する。 大規模な実験により、CycleVLAは、よく訓練されたVLAと訓練されていないVLAの両方のパフォーマンスを改善することが示された。
  論文  参考訳（メタデータ） (2026-01-05T17:31:01Z)
• Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
  VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。 Instruct-Verify-and-Act(IVA)を提案する。 実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-08-22T10:54:33Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)

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。