論文の概要: LH-AVLN: A Benchmark for Long-Horizon Audio-Visual-Language Navigation
- arxiv url: http://arxiv.org/abs/2607.03920v1
- Date: Sat, 04 Jul 2026 15:25:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.763214
- Title: LH-AVLN: A Benchmark for Long-Horizon Audio-Visual-Language Navigation
- Title（参考訳）: LH-AVLN:LH-AVLNによる長距離オーディオ・ビジュアル・ランゲージ・ナビゲーションのベンチマーク
- Abstract要約: 本稿では,LH-AVLN(Long-Horizon Audio-Visual-Language Navigation)のベンチマークを紹介する。
LH-AVLNでは、エージェントは、カテゴリ、言語記述、参照画像によって指定された2〜4つの目標のグローバルミッションを受信する。
PAG-Navは、時間的一様セマンティックマップを維持し、プログレッシブな目標状態計画を実行する訓練不要の参照エージェントである。
- 参考スコア（独自算出の注目度）: 30.160935888235727
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embodied navigation is moving toward long-horizon missions, yet existing long-horizon benchmarks are largely acoustically silent, and audio-visual navigation tasks typically focus on a single goal. We introduce LH-AVLN, a benchmark for Long-Horizon Audio-Visual-Language Navigation that combines multi-goal mission execution, heterogeneous goal specifications, and persistent spatialized acoustic cues. In LH-AVLN, an agent receives a global mission of two to four goals specified by category, language description, or reference image, and navigates with RGB-D observations, pose, and binaural audio in indoor 3D environments. The benchmark supports both ordered and unordered missions, where alternating goal-associated sounds can guide non-line-of-sight search but may also become distractors as mission progress changes. We further develop PAG-Nav, a training-free reference agent that maintains a temporal uniform semantic map and performs progressive goal-state planning, using sound for search while reserving completion for visual-semantic verification. Experiments show that existing vision-language, memory-based, and audio-visual agents struggle to complete full LH-AVLN missions, and that PAG-Nav provides a stronger diagnostic baseline while leaving substantial room for future progress.
- Abstract（参考訳）: Embodied Navigationは、長期のミッションに向かっているが、既存のロングホライゾンのベンチマークは主に音響的に静かであり、オーディオ視覚ナビゲーションタスクは通常、単一の目標に焦点を当てている。
LH-AVLNはLH-AVLN(Long-Horizon Audio-Visual-Language Navigation)のベンチマークであり,マルチゴールミッション実行,異種目標仕様,持続的空間音響的手がかりを組み合わせたものである。
LH-AVLNでは、エージェントは、カテゴリ、言語記述、参照画像によって指定された2～4つの目標のグローバルミッションを受け取り、屋内3D環境でRGB-D観測、ポーズ、バイノーラルオーディオをナビゲートする。
このベンチマークは、順序付けされたミッションと順序付けされていないミッションの両方をサポートしており、ゴール関連音の交互に非視線探索を導くことができるが、ミッションの進行が変わると邪魔になる可能性がある。
PAG-Navは、時間的一様意味マップを維持し、探索のための音を用いて、視覚的セマンティックな検証のための完了を保ちながら、プログレッシブな目標状態計画を実行する訓練自由参照エージェントである。
実験により、既存の視覚言語、メモリベース、オーディオ視覚エージェントは完全なLH-AVLNミッションの完了に苦慮し、PAG-Navは将来の進歩のための十分な余地を残しながら、より強力な診断基準を提供することが示された。
関連論文リスト
- VoLN: Vision-Only Long-Horizon Navigation---Paradigm, Benchmark, and Method [14.658802504108833]
VLN(Vision-and-Language Navigation)は、エンボディエージェントが自然言語の指示に従うことを可能にする。
経路関連情報を外部から供給された指示やグローバルガイダンスからローカルで観測可能なインシーン・キューへシフトするビジョンオンリーロングホライゾンナビゲーション(VoLN)を提案する。
VoLN-UAVは、長距離目標指向飛行、連続3Dモーション、大きな視点変化、コンテキスト依存ビーコン選択を組み合わせた7,210エピソードのベンチマークである。
論文 参考訳（メタデータ） (2026-07-23T15:02:01Z) - SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。
このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。
R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
論文 参考訳（メタデータ） (2026-06-08T03:42:08Z) - Semantic Audio-Visual Navigation in Continuous Environments [20.046962371381763]
音響視覚ナビゲーションにより、エンボディエージェントは聴覚と視覚の両方の手がかりを利用することで、音を放出するターゲットに向かって移動することができる。
SAVNCE(Audio-Visual Navigation in Continuous Environments)を導入し、エージェントは3次元空間で自由に動き、時間的・空間的に整合したオーディオ視覚ストリームを知覚することができる。
本研究では,空間的および意味的な目標表現を共同で符号化し,過去のコンテキストを自己運動の手がかりと統合し,メモリ拡張された目標推論を可能にするマルチモーダルトランスフォーマーモデルMAGNetを提案する。
論文 参考訳（メタデータ） (2026-03-20T05:49:50Z) - OpenFrontier: General Navigation with Visual-Language Grounded Frontiers [54.661157616245966]
オープンワールドナビゲーションでは、複雑な日常環境においてロボットが意思決定を行う必要がある。
近年の視覚-言語ナビゲーション(VLN)と視覚-言語-アクション(VLA)モデルは、自然言語で条件付けられたエンドツーエンドのポリシーを実現する。
多様な視覚をシームレスに統合するトレーニングフリーナビゲーションフレームワークであるOpenFrontierを提案する。
論文 参考訳（メタデータ） (2026-03-05T17:02:22Z) - VL-LN Bench: Towards Long-horizon Goal-oriented Navigation with Active Dialogs [51.18508300818979]
Vision Language-Language Navigation (VL-LN)ベンチマークは、ダイアログ対応ナビゲーションモデルのトレーニングと評価のための大規模で自動生成されたデータセットを提供する。
VL−LNは、トレーニング用41k以上の長軸ダイアログ拡張軌道と、エージェントクエリに応答可能なオラクルを備えた自動評価プロトコルとを備える。
論文 参考訳（メタデータ） (2025-12-26T19:00:12Z) - CityNavAgent: Aerial Vision-and-Language Navigation with Hierarchical Semantic Planning and Global Memory [39.76840258489023]
航空ビジョン・アンド・ランゲージナビゲーション(VLN)では、ドローンが自然言語の指示を解釈し、複雑な都市環境をナビゲートする必要がある。
都市空域VLNの航法複雑性を著しく低減する大規模言語モデル(LLM)を用いたエージェントである textbfCityNavAgent を提案する。
論文 参考訳（メタデータ） (2025-05-08T20:01:35Z) - Navigation with VLM framework: Towards Going to Any Language [4.368039454973151]
視覚言語モデル(VLM)は、言語データと視覚データの両方で推論できる顕著な能力を示している。
本稿では,オープンソースのVLMを活用したトレーニングフリーフレームワークであるNavigation with VLM(NavVLM)を紹介し,ロボットが効果的にナビゲートできるようにする。
論文 参考訳（メタデータ） (2024-09-18T02:29:00Z) - GOAT-Bench: A Benchmark for Multi-Modal Lifelong Navigation [65.71524410114797]
GOAT-BenchはユニバーサルナビゲーションタスクGO to AnyThing(GOAT)のベンチマークである。
GOATでは、エージェントはカテゴリ名、言語記述、イメージによって指定されたターゲットのシーケンスにナビゲートするように指示される。
我々はGOATタスク上でモノリシックなRLおよびモジュラーメソッドをベンチマークし、その性能をモダリティにわたって分析する。
論文 参考訳（メタデータ） (2024-04-09T20:40:00Z) - ESceme: Vision-and-Language Navigation with Episodic Scene Memory [72.69189330588539]
ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)は、現実世界のシーンで自然言語のナビゲーション指示に従う視覚エージェントをシミュレートする。
本稿では,VLNにおける情景記憶(esceme)のメカニズムについて紹介する。
論文 参考訳（メタデータ） (2023-03-02T07:42:07Z) - AVLEN: Audio-Visual-Language Embodied Navigation in 3D Environments [60.98664330268192]
AVLEN(Audio-Visual-Language Embodied Navigationの対話型エージェント)を提案する。
AVLENの目標は、3Dビジュアルワールドをナビゲートすることでオーディオイベントをローカライズすることである。
これらの能力を実現するために、AVLENはマルチモーダル階層的な強化学習バックボーンを使用する。
論文 参考訳（メタデータ） (2022-10-14T16:35:06Z) - Semantic Audio-Visual Navigation [93.12180578267186]
環境内のオブジェクトが意味的意味と一致する音を作るセマンティックオーディオビジュアルナビゲーションを紹介します。
この新しい意味を持つAudioGoalタスクに取り組むトランスフォーマーベースのモデルを提案する。
本手法は, 意味, 音響, 視覚の手がかりを関連付ける学習により, 既存の視聴覚ナビゲーション手法を大きく上回っている。
論文 参考訳（メタデータ） (2020-12-21T18:59:04Z)
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。