Fugu-MT 論文翻訳(概要): VLN-AVP: Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for Autonomous Valet Parking

論文の概要: VLN-AVP: Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for Autonomous Valet Parking

arxiv url: http://arxiv.org/abs/2607.17767v1
Date: Mon, 20 Jul 2026 10:01:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.581877
Title: VLN-AVP: Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for Autonomous Valet Parking
Title（参考訳）: VLN-AVP:Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for autonomous Valet Parking
Abstract要約: 本稿では,自律的バレットパーキングタスクのためのゼロショットナビゲーションフレームワークを提案する。バードアイビュー(BEV)モデルの正確な空間知覚と視覚言語モデル(VLM)の一般知能を組み合わせることで VLN-AVPデータセットとベンチマークを示し、10以上の高忠実な駐車シーンと1000以上のナビゲーションエピソードを特徴とする。
参考スコア（独自算出の注目度）: 9.439496046613938
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing methods in Autonomous Valet Parking (AVP) typically rely on pre-built maps, which severely restricts their scalability to unseen environments and open-vocabulary targets. Inspired by the application of Vision-Language Models (VLMs) in Vision-Language Navigation (VLN) tasks, we propose VLN-AVP, a zero-shot navigation framework for AVP tasks. By combining the precise spatial perception of a Bird's-Eye-View (BEV) model with the general intelligence of VLMs, our framework 1) eliminates the dependency on pre-built maps, 2) interprets semantic environmental contexts in parking scenarios, and 3) enables intuitive navigation following natural language instructions. Specifically, we introduce a hybrid memory system: a short-term perception memory tracks semantic visual cues to address the limitations of VLM's single-frame reasoning in existing methods, while a long-term topological memory facilitates stable policy learning from past experiences. To bridge the gap in existing benchmarks, we also present the VLN-AVP dataset and benchmark. Featuring 10 high-fidelity parking scenes and over 1,000 navigation episodes, it has the largest number of garage scenes to date and is the first VLN benchmark for underground parking. Extensive experiments demonstrate that in simulation, our method achieves an over 25% improvement in success rate compared to VLN methods and an over 15% improvement compared to other autonomous driving methods. Furthermore, it attains a leading success rate in real-world vehicle experiments, proving its practical feasibility.
Abstract（参考訳）: AVP(Autonomous Valet Parking)の既存の手法は、通常、事前に構築されたマップに依存しており、そのスケーラビリティを目に見えない環境やオープン語彙のターゲットに厳しく制限している。視覚言語ナビゲーション(VLN)タスクにおける視覚言語モデル(VLM)の適用に着想を得て,AVPタスクのためのゼロショットナビゲーションフレームワークであるVLN-AVPを提案する。鳥の視点(BEV)モデルの正確な空間知覚とVLMの一般知能を組み合わせることで、我々の枠組みを解明する。 1) ビルド済みのマップへの依存を排除します。 2)駐車シナリオにおける意味的環境文脈の解釈 3) 自然言語の指示に従って直感的なナビゲーションを可能にする。短期認知メモリは,VLMの単一フレーム推論の制約に対処する意味的な視覚的手がかりをトラッキングし,長期トポロジカルメモリは過去の経験から安定したポリシー学習を促進する。既存のベンチマークのギャップを埋めるため、VLN-AVPデータセットとベンチマークも提示する。 10の高忠実な駐車場シーンと1000以上のナビゲーションエピソードがあり、これまでに最も多くのガレージシーンがあり、地下駐車場のVLNベンチマークとしては初めてのものである。シミュレーションでは,VLN法と比較して25%以上の成功率向上を実現し,他の自律走行法と比較して15%以上の改善を実現している。さらに、現実の車両実験において大きな成功率を達成し、現実的な実現可能性を証明する。

関連論文リスト

History-Conditioned Spatio-Temporal Visual Token Pruning for Efficient Vision-Language Navigation [18.716145266309802]
Vision-Language Navigation (LNV)は、ロボットが視覚的に接地された環境で自然言語の指示に従うことを可能にする。近年のVision-Language-Action-Modelでは,ナビゲーション性能は高いが,リアルタイムデプロイメントを制限している計算遅延は大きい。 VLNベースのVLNに適した学習自由な視覚言語フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-06T17:03:16Z)
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)
VLN-Zero: Rapid Exploration and Cache-Enabled Neurosymbolic Vision-Language Planning for Zero-Shot Transfer in Robot Navigation [52.00474922315126]
未確認環境のための視覚言語ナビゲーションフレームワークであるVLN-Zeroを提案する。我々は視覚言語モデルを用いて、記号的なシーングラフを効率的に構築し、ゼロショットのニューロシンボリックナビゲーションを可能にする。 VLN-Zeroは、最先端のゼロショットモデルと比べて2倍の成功率を獲得し、最も微調整されたベースラインを上回り、半分の時間でゴール地点に達する。
論文参考訳（メタデータ） (2025-09-23T03:23:03Z)
LMAD: Integrated End-to-End Vision-Language Model for Explainable Autonomous Driving [58.535516533697425]
視覚言語モデル(VLM)はシーン理解において有望な能力を示している。本稿では,自律運転に適した視覚言語フレームワークLMADを提案する。本フレームワークは,VLMに包括的シーン理解とタスク特化構造を組み込むことにより,最新のエンド・ツー・エンド駆動パラダイムをエミュレートする。
論文参考訳（メタデータ） (2025-08-17T15:42:54Z)
VLN-R1: Vision-Language Navigation via Reinforcement Fine-Tuning [77.34267241692706]
Vision-Language Navigation(VLN)は、エージェントが自然言語命令を使用して現実世界の環境をナビゲートする必要がある、AIの実施における中核的な課題である。本稿では、LVLM(Large Vision-Language Models)を利用して、エゴセントリックな動画ストリームを連続的なナビゲーションアクションに変換するエンドツーエンドフレームワークであるVLN-R1を提案する。
論文参考訳（メタデータ） (2025-06-20T17:59:59Z)
ChatBEV: A Visual Language Model that Understands BEV Maps [58.3005092762598]
我々は137k以上の質問を含む新しいBEV VQAベンチマークであるChatBEV-QAを紹介する。このベンチマークは、BEVマップ用のスケーラブルで情報性の高いVQAデータを生成する、新しいデータ収集パイプラインを使用して構築されている。本稿では,ChatBEVが地図理解とテキスト対応ナビゲーションを支援する言語駆動の交通シーン生成パイプラインを提案する。
論文参考訳（メタデータ） (2025-03-18T06:12:38Z)
Talk2BEV: Language-enhanced Bird's-eye View Maps for Autonomous Driving [23.957306230979746]
Talk2BEVは、自律運転環境での鳥眼ビュー(BEV)マップのための視覚言語モデルインターフェースである。汎用言語とビジョンモデルにおける最近の進歩と、BEV構造化マップ表現を融合させる。本研究では,多数のシーン理解タスクにおいて,Talk2BEVを広範囲に評価する。
論文参考訳（メタデータ） (2023-10-03T17:53:51Z)
Airbert: In-domain Pretraining for Vision-and-Language Navigation [91.03849833486974]
ビジョン・アンド・ランゲージナビゲーション(VLN)は、エンボディエージェントが自然言語命令を使って現実的な環境をナビゲートできるようにすることを目的としている。近年の方法は、VLN剤の一般化を改善するための事前学習である。大規模かつ多様なドメイン内VLNデータセットであるBnBを紹介する。
論文参考訳（メタデータ） (2021-08-20T10:58:09Z)

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。