論文の概要: VoLN: Vision-Only Long-Horizon Navigation---Paradigm, Benchmark, and Method
- arxiv url: http://arxiv.org/abs/2607.21400v1
- Date: Thu, 23 Jul 2026 15:02:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.448357
- Title: VoLN: Vision-Only Long-Horizon Navigation---Paradigm, Benchmark, and Method
- Title（参考訳）: VoLN:視覚のみの長距離ナビゲーション--パラダイム、ベンチマーク、方法
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.658802504108833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-and-Language Navigation (VLN) enables embodied agents to follow natural-language instructions. However, route-level instructions commonly encode spatial priors, such as orientation, distance, and layout, that are not explicitly available from onboard sensing at deployment in open, GPS-denied environments. Benchmark performance under such interfaces therefore jointly reflects visual navigation ability and the use of route structure explicitly supplied by the task description. As a complementary formulation, we propose Vision-Only Long-Horizon Navigation (VoLN), which shifts route-relevant information from externally supplied instructions and global guidance to locally observable in-scene cues. In VoLN, goal views specify the destination, while route-relevant information is available only through locally observable in-scene cues that the agent must detect, interpret, and select online. We instantiate VoLN for aerial navigation through VoLN-UAV, a 7,210-episode benchmark that combines long-horizon goal-directed flight, continuous 3D motion, large viewpoint changes, and context-dependent beacon selection. We further provide VoLN-MLLM as an initial reference baseline. It aligns self-supervised visual features with a structured semantic space and predicts short-horizon waypoint segments from observation history, goal views, retrieved visual--semantic tokens, and proprioception. On the five-environment Test-Unseen split, it obtains success rates of 7.4%, 4.5%, and 1.8% on Easy, Normal, and Hard episodes, respectively. These results provide an initial evaluation of VoLN and reveal substantial remaining challenges in long-horizon evidence integration, cross-view goal matching, and closed-loop stability. Project page: https://admire-ljb.github.io/VoLN-UAV/
- Abstract（参考訳）: 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。
しかし、ルートレベルの命令は、オープンでGPSを付加した環境での配置において、オンボードセンシングから明示的に利用できない方向、距離、レイアウトなどの空間的事前情報を符号化するのが一般的である。
このようなインタフェース下でのベンチマーク性能は、視覚ナビゲーション能力とタスク記述によって明示的に供給される経路構造を共同で反映する。
補完的な定式化として、経路関連情報を外部からの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に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では、ゴールビューは目的地を指定するが、ルート関連情報は、エージェントがオンラインで検出し、解釈し、選択しなければならないローカルな監視可能なインシーンキューを通してのみ利用可能である。
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。
さらに、VoLN-MLLMを初期基準ベースラインとして提供します。
自己監督型視覚特徴と構造化セマンティック空間とを整合させ、観察履歴、ゴールビュー、検索された視覚-意味トークン、プロプリセプションから短水平方向のウェイポイントセグメントを予測する。
テスト・アンセインの5つの分割で、成功率は7.4%、成功率は4.5%、成功率1.8%となる。
これらの結果は,VoLNの初期評価であり,長距離エビデンス統合,クロスビューゴールマッチング,閉ループ安定性などの課題が残されている。
プロジェクトページ:https://admire-ljb.github.io/VoLN-UAV/
関連論文リスト
- LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。
ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
論文 参考訳（メタデータ） (2026-08-31T15:08:53Z) - FreqNav: Stage-Wise Frequency Routing for Object-Oriented Aerial Vision-Language Navigation [20.62861089679206]
長距離航法のための軽量適応認識フレームワークを提案する。
FreqNavは、現在のナビゲーションステージに従って、周波数コンポーネント間で視覚トークンを動的に再配置する。
実験によると、FreqNavは強いベースラインを上回り、およそ3倍高速な推論を実現している。
論文 参考訳（メタデータ） (2026-08-02T03:49:54Z) - LH-AVLN: A Benchmark for Long-Horizon Audio-Visual-Language Navigation [30.160935888235727]
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。
論文 参考訳（メタデータ） (2026-07-04T15:25:25Z) - See-and-Reach: Precise Vision-Language Navigation for UAVs within the Field of View [22.860978565302233]
UAV-VLN (UAV Vision-Language Navigation) は、一般に総合的な探索と到達の問題として定式化されている。
UAV-VLN-FOVは,視線と視線を分離した目標視認可能なナビゲーションタスクである。
3DG-VLNは動的3次元方向の手がかりによって導かれる視覚言語ウェイポイント予測フレームワークである。
論文 参考訳（メタデータ） (2026-06-18T10:21:42Z) - AgenticNav: Zero-Shot Vision-and-Language Navigation as a Tool-Calling Harness [5.851139427049915]
連続環境(VLN-CE)におけるゼロショット視覚言語ナビゲーションは,近年,大規模視覚言語モデル(VLM)で実現可能になった。
本稿では,ゼロショットVLN-CEを,VLMと環境とのエージェントインタフェースとして再考する。
我々は、アクション、深さ、メモリを呼び出し可能なツールとして公開する軽量なナビゲーションハーネスであるAgenticNavを紹介します。
論文 参考訳（メタデータ） (2026-06-09T08:43:05Z) - LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation [96.09246387639006]
LookasideVLNは、より正確な空間推論とより高い計算効率を達成するために、自然言語の方向の手がかりを利用する。
LookasideVLNは、シングルレベルのルックアヘッドでも、最先端のCityNavAgentよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-04-19T01:36:53Z) - Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。
我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
論文 参考訳（メタデータ） (2026-03-23T16:17:39Z) - AgentVLN: Towards Agentic Vision-and-Language Navigation [78.739525400071]
VLN (Vision-and-Language Navigation) は、複雑な自然言語命令を、見えない環境での長距離ナビゲーションに接地するために、エンボディエージェントを必要とする。
本稿では,エッジコンピューティングプラットフォーム上に展開可能な,新規かつ効率的なナビゲーションフレームワークであるAgentVLNを提案する。
論文 参考訳（メタデータ） (2026-03-18T12:43:47Z) - Grounded Vision-Language Navigation for UAVs with Open-Vocabulary Goal Understanding [1.280979348722635]
ビジョン・アンド・ランゲージナビゲーション(VLN)は、自律ロボット工学における長年にわたる課題であり、複雑な環境をナビゲートしながら、エージェントに人間の指示に従う能力を与えることを目的としている。
本研究では,無人航空機(UAV)に適した言語誘導飛行を行うフレームワークであるビジョン・ランゲージ・フライ(VLFly)を提案する。
論文 参考訳（メタデータ） (2025-06-12T14:40:50Z) - Aerial Vision-and-Language Navigation with Grid-based View Selection and Map Construction [102.70482302750897]
Aerial Vision-and-Language Navigation (Aerial VLN)は、人間の指示に従って空中3D環境をナビゲートする無人航空機エージェントの取得を目的としている。
より長い航法、より複雑な3Dシーン、垂直アクションと水平アクションの相互作用の無視により、従来の手法はうまく機能しない。
グリッドベースのビュー選択タスクとして空のVLN動作予測を定式化する,グリッドベースのビュー選択フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-14T05:20:43Z) - UnitedVLN: Generalizable Gaussian Splatting for Continuous Vision-Language Navigation [71.97405667493477]
我々は,UnitedVLNと呼ばれる,新しい汎用3DGSベースの事前学習パラダイムを導入する。
エージェントは、高忠実度360度ビジュアルイメージとセマンティック特徴を統一してレンダリングすることで、将来の環境をよりよく探索することができる。
UnitedVLNは既存のVLN-CEベンチマークで最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-11-25T02:44:59Z)
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。