Fugu-MT 論文翻訳(概要): AeroAct: Action-Centered World-Action Models for Language-Conditioned Quadrotor Flight

論文の概要: AeroAct: Action-Centered World-Action Models for Language-Conditioned Quadrotor Flight

arxiv url: http://arxiv.org/abs/2607.14997v1
Date: Thu, 16 Jul 2026 13:46:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:33.126325
Title: AeroAct: Action-Centered World-Action Models for Language-Conditioned Quadrotor Flight
Title（参考訳）: AeroAct: 言語記述型クアドロター飛行のためのアクション中心世界アクションモデル
Abstract要約: 言語条件付き四元数飛行には意味的目標を定めるポリシーが必要である。本研究では,アクション中心の世界行動モデル(WAM)であるAeroActについて述べる。
参考スコア（独自算出の注目度）: 42.75555298269899
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Language-conditioned quadrotor flight requires a policy to ground semantic goals, anticipate the visual consequences of ego-motion, and output control references that remain smooth and dynamically executable under rapidly changing first-person views. Existing aerial vision-language navigation and vision-language-action methods commonly use discrete actions, high-level waypoints, or instantaneous velocity commands, which provide limited supervision about how flight actions change future observations. We present AeroAct, an action-centered world-action model (WAM) for quadrotor navigation. To the best of our knowledge, AeroAct is the first WAM instantiated and demonstrated for real-world aerial flight. The model adapts a pretrained video diffusion Transformer to predict local trajectory-action chunks from egocentric visual history, proprioception, and language. Future first-person frames are used during training as dense consequence supervision, while deployment directly decodes actions without generating future video. To obtain aligned visual, state, language, and dynamically feasible action data, we build a DiffAero-based pipeline with complementary Isaac Lab and 3D Gaussian splatting renderers. We further introduce a low-cost handheld collection device that couples camera observations with motion estimates to recreate flight-like egocentric trajectories, and a self-guidance procedure that improves temporal consistency across overlapping trajectory chunks. Closed-loop simulation and real-world experiments show that temporal visual context improves target tracking and object-search performance, and that WAM-based policies can be executed on a physical quadrotor.
Abstract（参考訳）: 言語条件付き四元数飛行では、セマンティックな目標を確定し、エゴモーションの視覚的影響を予測し、急速に変化する一対一の視点の下で滑らかで動的に実行可能である出力制御参照を出力する必要がある。既存の航空視覚言語ナビゲーションや視覚言語行動法では、個別の行動、高レベルな経路ポイント、即時的な速度コマンドが一般的であり、飛行行動が将来の観測をどのように変化させるかについての限られた監督を提供する。本研究では,アクション中心の世界行動モデル(WAM)であるAeroActについて述べる。われわれの知る限りでは、AeroActは、実世界飛行のためにインスタンス化され実証された初めてのWAMだ。このモデルは、訓練済みのビデオ拡散変換器に適応し、エゴセントリックな視覚履歴、プロプレセプション、言語から局所的な軌道運動のチャンクを予測する。将来のファーストパーソンフレームは、トレーニング中に密集した結果監視として使用され、デプロイは、将来のビデオを生成することなく、アクションを直接デコードする。視覚的,状態,言語,動的に実現可能なアクションデータを取得するために,補完的なIsaac Labと3Dガウススプレイティングレンダラーを備えたDiffAeroベースのパイプラインを構築した。さらに、カメラ観測とモーション推定を結合して飛行のようなエゴセントリックな軌道を再現する低コストハンドヘルド収集装置と、重なり合う軌道チャンク間の時間的整合性を改善する自己誘導手順を導入する。クローズドループシミュレーションと実世界の実験により、時間的視覚コンテキストは目標追跡とオブジェクト探索性能を改善し、WAMベースのポリシーは物理クオータ上で実行可能であることが示された。

関連論文リスト

World Pilot: Steering Vision-Language-Action Models with World-Action Priors [21.867210989881016]
Vision-Language-Action(VLA)モデルは、大規模な事前トレーニングからセマンティックグラウンドを継承する。 World Pilotは、World-Action Model(WAM)の事前設定でポリシーを強化する World PilotはLIBERO-PlusゼロショットOODベンチマークで84.7%という最先端のトータル成功率を達成した。
論文参考訳（メタデータ） (2026-06-10T17:59:08Z)
ImagineUAV: Aerial Vision-Language Navigation via World-Action Modeling and Kinodynamic Planning [8.298446181889675]
無人機のための視覚言語ナビゲーション(VLN)は、部分観測性の下で自由形式の指示を6-DoF飛行に接地することを要求する。ケースド・ワールド・アクション・モデリングを利用した想像力駆動型フレームワークであるImagineUAVを提案する。想像上のUAVは、VLNとVLAのベースラインをベンチマークや現実世界の飛行で上回っている。
論文参考訳（メタデータ） (2026-05-31T12:39:44Z)
Aero-World: Action-Conditioned Aerial Video Generation from Inertial Controls [57.166020875486474]
我々は,事前学習した画像から映像への拡散モデルを制御可能な空中ビデオ生成装置に変換する方法であるtextbfAero-World を提案する。実ビデオ-IMUペアで独立して訓練された冷凍潜伏空間物理学プローブは、LoRA微調整中に慣性・一貫性の異なる監視を提供する。 AeroBenchでは、アクションのみの微調整で平均AASを57.7から63.6に改善し、AirScapeよりも優れた品質制御トレードオフを提供する。
論文参考訳（メタデータ） (2026-05-19T12:02:17Z)
From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文参考訳（メタデータ） (2026-05-12T14:15:16Z)
From Time Series to State: Situation-Aware Modeling for Air Traffic Flow Prediction [28.381858327505828]
航空交通予測のための直接状態間モデリングフレームワークである textitAeroSense を提案する。エアロセンス(AeroSense)は、航空機の状態のテキストタダイナミックセットとしてリアルタイムの航空状況を表しており、可変数の航空機の直接処理を可能にする。大規模な実世界の空港データセットの実験は、AeroSenseが常に最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2026-04-13T08:54:19Z)
AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps [7.710034405765985]
AIMは、明示的な空間的インターフェースを通じてこのギャップを橋渡しする意図認識の統一世界行動モデルである。事前訓練されたビデオ生成モデルに基づいて構築されたAIMは、共有変換器アーキテクチャ内の将来の観測と値マップを共同でモデル化する。 RoboTwin 2.0ベンチマークの実験では、AIMは平均94.0%の成功率に達し、以前の統合された世界行動ベースラインを著しく上回っている。
論文参考訳（メタデータ） (2026-04-13T07:48:58Z)
LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文参考訳（メタデータ） (2026-03-31T02:21:59Z)
Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文参考訳（メタデータ） (2024-12-01T09:37:46Z)
Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory Diffusion [83.88829943619656]
本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
論文参考訳（メタデータ） (2023-04-04T15:46:42Z)

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。