論文の概要: ActiveFly-Bench: Aligning Embodied Question Answering with Vision-Language-Action for Aerial Embodied Perception
- arxiv url: http://arxiv.org/abs/2607.10180v1
- Date: Sat, 11 Jul 2026 07:58:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.331137
- Title: ActiveFly-Bench: Aligning Embodied Question Answering with Vision-Language-Action for Aerial Embodied Perception
- Title（参考訳）: ActiveFly-Bench: 航空機の身体知覚に対する視覚・言語反応による身体的質問応答の調整
- Abstract要約: 我々は,UAV具体的知覚のためのサイバースペース推論と物理世界の相互作用を橋渡しする最初のベンチマークであるActiveFly-Benchを紹介する。
このベンチマークは、3つの階層的タスクに分割する: エアリアル・エボディード・質問応答(Air-EQA)、観測行動計画(OBP)、言語誘導型UAV制御(FLUC)。
我々は,視覚言語推論と細粒度制御を統合したクローズドループUAVエージェントであるActiveFlyを開発し,それを物理UAVプラットフォームに展開する。
- 参考スコア（独自算出の注目度）: 29.345077840574916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce ActiveFly-Bench, the first benchmark to bridge cyberspace reasoning and physical-world interaction for UAV embodied perception. The benchmark decomposes active perception into three hierarchical tasks: Aerial Embodied Question Answering (Air-EQA), Observation Behavior Planning (OBP), and Fine-grained Language-guided UAV Control (FLUC), explicitly connecting high-level task understanding, behavior planning, and low-level control. The datasets are collected from both real-world and simulated outdoor environments for training and evaluation. We further develop ActiveFly, a closed-loop UAV agent that integrates visual-language reasoning with fine-grained control, and deploy it on a physical UAV platform. Experiments with representative VLMs and VLA models show that current UAV agents still struggle with behavior planning, viewpoint adjustment, and robust task completion in active perception. These results establish ActiveFly-Bench as a new testbed for embodied aerial intelligence.
- Abstract（参考訳）: 我々は,UAV具体的知覚のためのサイバースペース推論と物理世界の相互作用を橋渡しする最初のベンチマークであるActiveFly-Benchを紹介する。
このベンチマークは、3つの階層的なタスクに分割する: エアリアル・エボディード・クエスチョーション・アンサーリング(Air-EQA)、オブザーバ・ビヘイビア・プランニング(OBP)、およびきめ細かい言語誘導型UAV制御(FLUC)。
データセットは、トレーニングと評価のために、現実世界とシミュレーションされた屋外環境の両方から収集される。
我々はさらに、視覚言語推論ときめ細かい制御を統合したクローズドループUAVエージェントであるActiveFlyを開発し、それを物理的なUAVプラットフォームにデプロイする。
代表的VLMとVLAモデルを用いた実験では、現在のUAVエージェントは、アクティブな知覚において、行動計画、視点調整、堅牢なタスク完了に苦戦している。
これらの結果は、ActiveFly-Benchを、組み込みの航空情報のための新しいテストベッドとして確立した。
関連論文リスト
- Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。
VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。
静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
論文 参考訳（メタデータ） (2026-09-01T07:42:45Z) - VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning [133.66021945481876]
本稿では,視覚的推論生成をネイティブに制御可能にするテストベッドであるVBVR-Proを紹介する。
VBVR-Proは、視覚的推論を300の手続き的に生成されたタスク空間に変換する。
VLM-as-a-judgeパラダイムの繰り返し発生する障害モードを同定する。
論文 参考訳（メタデータ） (2026-08-26T17:59:51Z) - SpatialUAV: Benchmarking Spatial Intelligence for Low-Altitude UAV Perception, Collaboration, and Motion [76.8430169655641]
空間知能は、低高度無人航空機(UAV)の認識、協調、航行に不可欠である。
本研究では,実際の低高度UAVベンチマークであるSpatialUAVを紹介した。
現状のモデルは, クロスビュー・アソシエーション, 構造的グラウンドリング, 幾何学的推論, 時間的視点理解において, 明らかなボトルネックを伴って, 人間のレベル・パフォーマンスから遠ざかっていることを示す。
論文 参考訳（メタデータ） (2026-06-26T09:16:55Z) - ScoutVLA: UAV-Centric Active Perception via a Dual-Expert VLA Model for Open-World Embodied Question Answering [36.33548882934067]
FG-EQAは、40K以上の擬似軌道と1K以上の実世界の軌道を持つ、きめ細かい能動知覚EQAベンチマークである。
我々は、屋外EQAのためのエビデンス駆動ビジョン・ランゲージ・アクションモデルであるScoutVLAを提案する。
ScoutVLAは視覚言語の専門家が行方不明の証拠を識別するための意味論的意図を推測し、独立したアクション専門家がハイDoFフローマッチングを使用して連続的な視点修正軌道を生成する。
論文 参考訳（メタデータ） (2026-06-09T10:40:52Z) - HUGE-Bench: A Benchmark for High-Level UAV Vision-Language-Action Tasks [73.62053624331227]
Huge-Benchは高レベルUAVビジョンランゲージ・アクションのベンチマークである。
4つの現実世界のデジタルツインシーン、8つのハイレベルタスク、2.56mの軌跡からなる。
プロセスの忠実度、終端精度、安全性を評価するために、プロセス指向および衝突認識メトリクスを導入する。
論文 参考訳（メタデータ） (2026-03-20T10:08:42Z) - FreeFly-Thinking : Aligning Chain-of-Thought Reasoning with Continuous UAV Navigation [7.371250078156987]
Vision-Language Navigationは、エージェントが自然言語の指示を理解し、現実世界の環境で適切なナビゲーションアクションを実行できるようにすることを目的としている。
我々は,UAVエージェントのエゴセントリックなイメージと言語命令を一連のアクションに変換する,エンドツーエンドのVLNフレームワークであるFreeFly-thinkingを紹介する。
論文 参考訳（メタデータ） (2026-03-07T12:42:06Z) - AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。
我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。
また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
論文 参考訳（メタデータ） (2025-11-26T04:44:27Z) - Learning to See and Act: Task-Aware View Planning for Robotic Manipulation [88.37482534484627]
Task-Aware View Planning (TAVP)は、アクティブなビュープランニングとタスク固有の表現学習を統合するために設計されたフレームワークである。
提案したTAVPモデルは、最先端の固定ビューアプローチよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2025-08-07T09:21:20Z) - BEDI: A Comprehensive Benchmark for Evaluating Embodied Agents on UAVs [3.239200269731315]
無人航空機(UAV)をベースとした身体エージェントは、自律的なタスクにおいて大きな可能性を秘めている。
UAV-EA(UAV-Embodied Agents)の現在の評価手法は、標準化されたベンチマークの欠如によって制限されている。
我々は,UAV-EAを評価するために設計された,体系的で標準化されたベンチマークであるBEDI(Benchmark for Embodied Drone Intelligence)を提案する。
論文 参考訳（メタデータ） (2025-05-23T12:14:00Z) - UAV-Flow Colosseo: A Real-World Benchmark for Flying-on-a-Word UAV Imitation Learning [39.07541452390107]
無人航空機(UAV)は言語と対話するプラットフォームへと進化し、より直感的な人間とドローンの相互作用を可能にしている。
本研究では,この問題をFlying-on-a-Word(Flow)タスクとして形式化し,UAV模倣学習を効果的なアプローチとして導入する。
UAV-Flowは, 言語条件付き, きめ細かいUAV制御のための, 世界初の実世界のベンチマークである。
論文 参考訳（メタデータ） (2025-05-21T16:31:28Z)
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。