論文の概要: Pondering the Way: Spatial-perceiving World Action Model for Embodied Navigation

• arxiv url: http://arxiv.org/abs/2606.29908v1
• Date: Mon, 29 Jun 2026 07:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.098913
• Title: Pondering the Way: Spatial-perceiving World Action Model for Embodied Navigation
• Title（参考訳）: 道路のポンダリング:身体的ナビゲーションのための空間知覚世界行動モデル
• Abstract要約: SWAM(Spatial-Perceiving World Action Model)は,タスク中心の共同観測行動生成フレームワークである。 スタートとゴールのRGB観測が与えられた場合、SWAMはシングルパス推論を行い、中間のRGB-Dシーケンスと対応するアクショントラジェクトリを同時に生成する。 SWAMは、成功率、軌道精度、推論効率において、最先端の2段階プランナーを著しく上回っている。
• 参考スコア（独自算出の注目度）: 24.310993695214094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing world model-based planners for visual navigation typically follow a verification-centric paradigm, decoupling goal intent from trajectory synthesis. This approach suffers from candidate dependence, heavy computational overhead, and inconsistencies between sampled actions and predicted visuals. To address these issues, we propose SWAM (Spatial-perceiving World Action Model), a task-centric joint observation-action generation framework. Given start and goal RGB observations, SWAM performs single-pass inference to simultaneously generate intermediate RGB-D sequences and corresponding action trajectories, promoting goal-consistent trajectory generation and improved spatial feasibility. While SWAM leverages depth pseudo-labels during training to internalize spatial priors, it requires only monocular RGB input at inference time. We further introduce a visual-guided action refinement module and a trajectory-scale regularization loss to enforce fine-grained alignment between motion and visual cues while stabilizing predictions across varying distances. Extensive experiments show that SWAM significantly outperforms state-of-the-art two-stage planners in success rate, trajectory accuracy, and inference efficiency, while demonstrating robust zero-shot generalization to unseen environments.
• Abstract（参考訳）: ビジュアルナビゲーションのための既存のモデルベースのプランナーは、通常、軌道合成から目標意図を分離する検証中心のパラダイムに従う。 このアプローチは、候補依存、重い計算オーバーヘッド、サンプルアクションと予測された視覚の矛盾に悩まされる。 これらの課題に対処するため,タスク中心の共同観測行動生成フレームワークであるSWAM(Spatial-Perceiving World Action Model)を提案する。 スタートとゴールのRGB観測により、SWAMはシングルパス推論を行い、中間のRGB-Dシーケンスと対応するアクショントラジェクトリを同時に生成し、ゴールに一貫性のある軌道生成を促進し、空間的実現性を向上させる。 SWAMは、トレーニング中に深度擬似ラベルを活用して空間的事前を内部化するが、推論時に単眼的なRGB入力しか必要としない。 さらに,視覚誘導型動作改善モジュールとトラジェクトリスケールの正規化損失を導入し,様々な距離にわたって予測を安定化させながら,動きと視覚的手がかりの微粒なアライメントを強制する。 大規模な実験により、SWAMは成功率、軌道精度、推論効率において最先端の2段階プランナーを著しく上回り、また、目に見えない環境に頑健なゼロショット一般化を実証している。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• 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)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• CLaD: Planning with Grounded Foresight via Cross-Modal Latent Dynamics [25.518388341069492]
  CLaDは,行動下での受容的状態と意味的状態の共進化をモデル化するフレームワークである。 CLaDは、EMAターゲットエンコーダと補助的な再構成損失による自己監督目標により、接地された潜伏監視を予測する。 LIBERO-LONGベンチマークでは、CLaDは94.7%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-03-31T08:13:45Z)
• \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
  textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。 textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。 実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-01-26T06:16:17Z)
• 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)
• Aerial Vision-Language Navigation with a Unified Framework for Spatial, Temporal and Embodied Reasoning [5.517595398768408]
  本稿では,エゴ単分子RGB観測と自然言語命令のみで動作する航空VLNフレームワークを提案する。 このタスクは、低高度検査、サーチ・アンド・レスキュー、自律型空中輸送といった現実世界のアプリケーションに対して約束される。
  論文  参考訳（メタデータ） (2025-12-09T14:25:24Z)
• GoViG: Goal-Conditioned Visual Navigation Instruction Generation [69.79110149746506]
  本稿では,Goal-Conditioned Visual Navigation Instruction Generation (GoViG)を紹介する。 GoViGは生のエゴセントリックな視覚データのみを活用し、目に見えない非構造環境への適応性を大幅に改善する。
  論文  参考訳（メタデータ） (2025-08-13T07:05:17Z)
• RSRNav: Reasoning Spatial Relationship for Image-Goal Navigation [57.197881161006904]
  近年のイメージゴールナビゲーション(ImageNav)手法は,目標と自我中心の画像の意味的特徴を別々に捉え,知覚行動ポリシーを学習している。 本稿では,目標と現在の観測値の空間的関係をナビゲーションガイダンスとして考慮する,シンプルで効果的な手法であるRSRNavを提案する。
  論文  参考訳（メタデータ） (2025-04-25T00:22:17Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• 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)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)

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。