Fugu-MT 論文翻訳(概要): ReflectVLN: Training Vision-Language Navigation Agents with Reflective Reasoning

論文の概要: ReflectVLN: Training Vision-Language Navigation Agents with Reflective Reasoning

arxiv url: http://arxiv.org/abs/2607.12680v1
Date: Tue, 14 Jul 2026 12:09:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:30.13669
Title: ReflectVLN: Training Vision-Language Navigation Agents with Reflective Reasoning
Title（参考訳）: ReflectVLN:リフレクティブ推論を用いたビジョンランゲージナビゲーションエージェントの訓練
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.003666403039533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Existing vision-language navigation methods often couple a VLM with waypoint decoders to produce multi-step action plans, but they typically lack an explicit closed-loop mechanism for tracking semantic progress, diagnosing execution failures, and recovering from error accumulation in long-horizon navigation. To address this gap, we propose ReflectVLN, an agentic VLN framework that organizes decision-making through bidirectionally interactive intention and execution agents. The intention agent performs subtask decomposition and reflection, generating executable subtask descriptions as corrective plans. Conditioned on these descriptions, the execution agent grounds them into short-horizon actions under current observations while monitoring sub-goal progress and detecting off-track behavior. Crucially, ReflectVLN enables closed-loop bidirectional communication: the execution agent emits progress and deviation signals to trigger reflection and subtask updates on demand, and the intention agent returns structured guidance that reconditions subsequent actions for recovery. To encourage temporally coherent decisions with interpretable intermediate rationales, we introduce Action Chain-of-Thought (Action-CoT), a path-conditioned dual-query training scheme for action generation. Experiments on standard VLN benchmarks show that ReflectVLN improves success rates and path efficiency under a constrained data budget, with favorable training cost and fewer high-level intention calls at inference time, while providing interpretable intermediate decisions for analysis and collaboration. Code is available at: https://github.com/AIprogrammer/ReflectVLN
Abstract（参考訳）: 既存の視覚言語ナビゲーション手法では、VLMとウェイポイントデコーダを結合してマルチステップのアクションプランを生成することが多いが、一般的には、セマンティックな進行の追跡、実行障害の診断、長距離ナビゲーションにおけるエラーの蓄積からの回復のための明示的なクローズループメカニズムが欠如している。このギャップに対処するために,双方向の対話的意図と実行エージェントによる意思決定を組織化するエージェントVLNフレームワークであるReflectVLNを提案する。意図エージェントは、サブタスク分解およびリフレクションを行い、修正計画として実行可能なサブタスク記述を生成する。これらの記述を条件に、実行エージェントはそれらを現在の観察下で短時間の水平動作にグラウンドし、準ゴール進行を監視し、オフトラック動作を検出する。重要なことは、ReflectVLNはクローズドループ双方向通信を可能にする:実行エージェントは進捗信号と偏差信号を出力し、要求に応じてリフレクションとサブタスク更新をトリガーし、意図エージェントは、その後のリカバリのためのアクションをリコンディションする構造化されたガイダンスを返す。解釈可能な中間有理数による時間的コヒーレントな決定を促進するために,経路条件付き二重クエリ学習方式であるAction Chain-of-Thought(Action-CoT)を導入する。標準VLNベンチマークの実験では、リフレクションVLNは、制約付きデータ予算の下で成功率とパス効率を改善し、適切なトレーニングコストと推論時の高レベルな意図呼び出しを少なくし、分析と協調のための解釈可能な中間決定を提供する。コードは、https://github.com/AI Programmer/ReflectVLNで入手できる。

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)
CLOSER-VLN: Closed-Loop Self-Verified Retrieval-Augmented Reasoning for Aerial Vision-Language Navigation [10.221757123615786]
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。
論文参考訳（メタデータ） (2026-06-24T05:57:42Z)
OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
論文参考訳（メタデータ） (2026-05-11T19:28:20Z)
Let's Reward Step-by-Step: Step-Aware Contrastive Alignment for Vision-Language Navigation in Continuous Environments [38.97818584066075]
VLN-CE(Vision-Language Navigation in Continuous Environments)は、長期にわたる人間のインタラクションから複雑な推論を学ぶためのエージェントである。現在のトレーニングパラダイムは、一般化能力、エラー回復、トレーニング安定性のバランスをとるのに苦労しています。本稿では,不完全な軌跡から厳密な監視を抽出するためのフレームワークである,ステップアウェアコントラストアライメント(SACA)を紹介する。
論文参考訳（メタデータ） (2026-03-10T14:45:50Z)
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)
TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文参考訳（メタデータ） (2026-03-02T10:38:54Z)
\ extsc{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)
Learning Affordances at Inference-Time for Vision-Language-Action Models [50.93181349331096]
ロボット工学において、VLA(Vision-Language-Action Model)は複雑な制御タスクを解くための有望な道を提供する。本稿では,VLAの低レベルポリシーを過去の経験を条件とした高レベルVLMに接続するLITEN(Learning from Inference-Time Execution)を紹介する。提案手法は,低レベルVLAの計画の生成と実行を行う推論フェーズと,その結果を反映した評価フェーズとを反復する。
論文参考訳（メタデータ） (2025-10-22T16:43:29Z)
MIRROR: Multi-agent Intra- and Inter-Reflection for Optimized Reasoning in Tool Learning [33.009759731505746]
ツール統合を含む複雑なタスクは、大規模言語モデルにとって大きな課題となる。リフレクションはエージェントベンチマークにおける誤った軌道の修正に有効な戦略として現れている。提案するMIRRORは,実行前に意図した動作を批判的に評価するフレームワークと,軌道のさらなる調整を行うインターリフレクションの両方からなるフレームワークである。
論文参考訳（メタデータ） (2025-05-27T03:37:33Z)
Towards Deviation-Robust Agent Navigation via Perturbation-Aware Contrastive Learning [125.61772424068903]
視覚言語ナビゲーション(VLN)は、エージェントに与えられた言語命令に従って実際の3D環境をナビゲートするように要求する。本稿では,既存のVLNエージェントの一般化能力を高めるために,PROPER(Progressive Perturbation-aware Contrastive Learning)と呼ばれるモデルに依存しない学習パラダイムを提案する。
論文参考訳（メタデータ） (2024-03-09T02:34:13Z)
Language-guided Navigation via Cross-Modal Grounding and Alternate Adversarial Learning [66.9937776799536]
新たなビジョン・アンド・ランゲージナビゲーション(VLN)問題は、見えない写真リアリスティック環境において、エージェントがターゲットの場所に向かうことを学習することを目的としている。 VLNの主な課題は、主に2つの側面から生じている: まず、エージェントは動的に変化する視覚環境に対応する言語命令の有意義な段落に出席する必要がある。そこで本稿では,エージェントにテキストと視覚の対応性を追跡する機能を持たせるために,クロスモーダルグラウンドモジュールを提案する。
論文参考訳（メタデータ） (2020-11-22T09:13:46Z)

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。