論文の概要: DynFly: Dynamic-Aware Continuous Trajectory Generation for UAV Vision-Language Navigation in Urban Environments
- arxiv url: http://arxiv.org/abs/2606.31654v2
- Date: Thu, 02 Jul 2026 11:38:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.501167
- Title: DynFly: Dynamic-Aware Continuous Trajectory Generation for UAV Vision-Language Navigation in Urban Environments
- Title（参考訳）: DynFly: 都市環境におけるUAV視線ナビゲーションのための動的に認識された連続軌道生成
- Abstract要約: 我々は高レベルナビゲーション推論と実行可能なUAV動作を橋渡しするDynFlyを提案する。
DynFlyはB-スプライン制御点空間のエキスパート軌道を表し、Spline-DiTジェネレータを用いて条件付き軌道生成を学習する。
OpenUAV UAV-VLNベンチマークの実験では、DynFlyは航法性能と軌道品質の両方を改善している。
- 参考スコア（独自算出の注目度）: 55.73595346639892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in multimodal large models have significantly improved UAV vision-language navigation (UAV-VLN) by enhancing high-level perception and reasoning. However, existing methods mainly focus on predicting discrete actions, local targets, or sparse waypoints, while the continuous transition from navigation intent to executable UAV motion remains weakly modeled. This motion-interface gap limits the continuity, stability, and executability of generated UAV trajectories. To address this gap, we propose DynFly, a dynamic-aware continuous trajectory generation framework that bridges high-level navigation reasoning and executable UAV motion. DynFly bridges high-level navigation intent and continuous UAV motion through a lightweight trajectory generation layer. Specifically, it represents expert trajectories in B-spline control-point space and employs a Spline-DiT generator to learn conditional trajectory generation via flow matching. Furthermore, we introduce UAV-oriented dynamic-aware supervision over position, finite-difference velocity, finite-difference acceleration, heading consistency, and local target alignment, enabling the generated trajectories to better satisfy UAV motion characteristics. And our trajectory generation framework can also be integrated with an existing UAV-VLN framework while preserving its original visual-language reasoning pipeline. Extensive experiments on the OpenUAV UAV-VLN benchmark show that DynFly improves both navigation performance and trajectory quality. On the Test Unseen Full split, DynFly improves the strongest baseline by 4.69 NDTW, 2.40 SDTW, 2.14 SR points and 4.87 OSR points, while reducing NE by 4.51 m.
- Abstract（参考訳）: マルチモーダル大型モデルの最近の進歩は、高レベルの認識と推論を強化することにより、UAV-VLN(UAV-VLN)を著しく改善している。
しかし、既存の手法は主に個別の行動、局所的な目標、またはスパースな経路ポイントの予測に重点を置いている一方、航法意図から実行可能なUAV運動への継続的な遷移は弱いモデルのままである。
この運動-界面ギャップは、生成されたUAV軌道の連続性、安定性、実行可能性を制限する。
このギャップに対処するために,ハイレベルナビゲーション推論と実行可能なUAV動作をブリッジする動的に認識可能な連続軌道生成フレームワークDynFlyを提案する。
DynFlyは軽量な軌道生成層を通じて高レベルの航法意図と連続的なUAV動作をブリッジする。
具体的には、B-スプライン制御点空間における専門的軌跡を表現し、Spline-DiT ジェネレータを用いてフローマッチングによる条件付き軌跡生成を学習する。
さらに, 位置, 有限差速度, 有限差加速度, 方向整合性, および局所目標アライメントに対するUAV指向の動的認識制御を導入し, 生成した軌跡がUAV運動特性をより良く満足できるようにする。
我々の軌道生成フレームワークは、元の視覚言語推論パイプラインを維持しながら、既存のUAV-VLNフレームワークと統合することもできる。
OpenUAV UAV-VLNベンチマークの大規模な実験は、DynFlyが航法性能と軌道品質の両方を改善していることを示している。
Test Unseen Fullの分割で、DynFlyは最強のベースラインを4.69 NDTW、2.40 SDTW、2.14 SRポイント、4.87 OSRポイントで改善し、NEを4.51m削減した。
関連論文リスト
- Semantic-Aware Temporal Adaptation for UAV Anti-UAV Tracking [53.31397431089487]
反UAV追跡は、移動中のオブザーバーUAVのオンボードカメラを使用して敵UAVを位置決めするための、新たな低高度セキュリティタスクである。
カメラプラットフォームとターゲットの両方が同時に動くため、従来のUAVトラッキングと地上ベースのアンチUAVトラッキングとは異なる。
本稿では,UAVアンチUAV追跡のためのセマンティック・アウェア・テンポラル適応フレームワークであるemphSATATrackを提案する。
論文 参考訳（メタデータ） (2026-07-29T06:22:03Z) - FSD-VLN: Fast-Slow Dual-System Modeling for Aerial Long-Horizon Vision-Language Navigation [33.92221208368759]
Vision-Language Navigation (VLN)は、言語命令をリアルタイムの視覚入力にマッピングすることで、未知の環境での自律的なナビゲーションである。
既存の方法は、グローバルマルチモーダル理解とシーケンシャルアクション生成の間の構造的不整合に悩まされている。
FSD-VLNは,セマンティック推論と低高度飛行コマンド生成を混在させる高速なデュアルシステムアーキテクチャである。
論文 参考訳（メタデータ） (2026-07-09T11:17:04Z) - See-and-Reach: Precise Vision-Language Navigation for UAVs within the Field of View [22.860978565302233]
UAV-VLN (UAV Vision-Language Navigation) は、一般に総合的な探索と到達の問題として定式化されている。
UAV-VLN-FOVは,視線と視線を分離した目標視認可能なナビゲーションタスクである。
3DG-VLNは動的3次元方向の手がかりによって導かれる視覚言語ウェイポイント予測フレームワークである。
論文 参考訳（メタデータ） (2026-06-18T10:21:42Z) - Breaking Smooth-Motion Assumptions: A UAV Benchmark for Multi-Object Tracking in Complex and Adverse Conditions [8.589834948544402]
動的UAVパースペクティブMOTのための新しいベンチマークであるDynUAVを紹介する。
激しい自我運動と結果として生じる複雑な軌跡によって特徴づけられる。
ベンチマークは42の動画シーケンスと170万以上のバウンディングボックスアノテーションで構成されている。
論文 参考訳（メタデータ） (2026-03-06T07:09:16Z) - AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。
無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。
本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
論文 参考訳（メタデータ） (2026-02-10T11:08:07Z) - IndoorUAV: Benchmarking Vision-Language UAV Navigation in Continuous Indoor Environments [21.821075450697027]
Vision-IndoorLanguage Navigation (VLN)は、視覚的な観察に基づく自然言語命令に従うことで、エージェントが複雑な環境でのナビゲーションを可能にする。
室内のUAVベースのVLNは、検査、配送、捜索・救助といった現実世界の応用に関係があるにもかかわらず、未調査のままである。
室内UAVを用いたVLNに適した新しいベンチマークと手法である textbfIndoorUAV を紹介する。
論文 参考訳（メタデータ） (2025-12-22T04:42:35Z) - How Far are Modern Trackers from UAV-Anti-UAV? A Million-Scale Benchmark and New Baseline [74.4054700050366]
無人航空機(UAV)は広範囲のアプリケーションを提供するが、安全性とプライバシー侵害のリスクも大きい。
現在の反UAV研究は、主に固定地上カメラで撮影したRGB、赤外線(IR)、またはRGB-IRビデオに焦点を当てている。
本稿では,UAV-Anti-UAVと呼ばれるマルチモーダル視覚追跡タスクを提案する。
論文 参考訳（メタデータ） (2025-12-08T10:19:54Z) - Trajectory Design for UAV-Based Low-Altitude Wireless Networks in Unknown Environments: A Digital Twin-Assisted TD3 Approach [62.11847362756054]
低高度無線ネットワーク(LAWN)のキーイネーブラーとして無人航空機(UAV)が登場している
我々は、デジタルツイン(DT)支援トレーニングおよびデプロイメントフレームワークを提案する。
このフレームワークでは、UAVは統合されたセンシングと通信信号を送信し、地上ユーザーに通信サービスを提供し、同時にDTサーバにアップロードされたエコーを収集して、仮想環境(VE)を段階的に構築する。
これらのVEはモデルトレーニングを加速し、展開中のリアルタイムUAVセンシングデータを継続的に更新し、意思決定をサポートし、飛行安全性を向上する。
論文 参考訳（メタデータ） (2025-10-28T10:05:53Z) - AeroDuo: Aerial Duo for UAV-based Vision and Language Navigation [34.63571674882289]
航空ビジョン・アンド・ランゲージナビゲーション(Aerial Vision-and-Language Navigation、VLN)は、無人航空機(Unmanned Aerial Vehicles、UAV)が自然言語命令と視覚的手がかりを用いて屋外環境をナビゲートすることを可能にする新しいタスクである。
我々はDuAl-VLN(DuAl-VLN)と呼ばれる新しいタスクを導入する。
このタスクでは、2つのUAVが異なる高度で運用される: 広範囲の環境推論に責任を負う高高度UAVと、正確なナビゲーションを行う低高度UAVである。
論文 参考訳（メタデータ） (2025-08-21T04:43:35Z) - SkyVLN: Vision-and-Language Navigation and NMPC Control for UAVs in Urban Environments [7.251041314934871]
無人航空機(UAV)は、移動性と適応性によって、様々な分野にまたがって多用途のツールとして登場した。
本稿では,複雑な都市環境下でのUAV自律性を高めるために,VLNとモデル予測制御(NMPC)を統合した新しいフレームワークであるSkyVLNを紹介する。
論文 参考訳（メタデータ） (2025-07-09T05:38:32Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Dynamic Radar Network of UAVs: A Joint Navigation and Tracking Approach [36.587096293618366]
新たな問題は、建物の後ろに隠れている無人小型無人航空機(UAV)を追跡することである。
本稿では,悪意のある標的のリアルタイムかつ高精度な追跡のためのUAVの動的レーダネットワークを提案する。
論文 参考訳（メタデータ） (2020-01-13T23:23:09Z)
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。