論文の概要: UniNav: A Unified World-Action Diffusion Model for Visual Navigation
- arxiv url: http://arxiv.org/abs/2608.03244v1
- Date: Tue, 04 Aug 2026 07:15:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.076956
- Title: UniNav: A Unified World-Action Diffusion Model for Visual Navigation
- Title（参考訳）: UniNav:ビジュアルナビゲーションのための統合ワールドアクション拡散モデル
- Abstract要約: 将来的な視覚的観察と連続的なウェイポイント軌跡を生成する統一世界行動モデルUniNavを提案する。
履歴フレームとゴールイメージが与えられた場合、UniNavは単一のトランスフォーマー内で視覚トークンとウェイポイントトークンを共同で識別する。
ナビゲーションベンチマークの実験では、UniNavはすべてのデータセットでATEで最強のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 11.306354032449603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-goal visual navigation is a fundamental capability for embodied agents. Existing navigation policies efficiently predict waypoint trajectories but lack visual foresight, while navigation world models can anticipate future observations but often require costly planning rollouts. We present UniNav, a unified world-action model that generates future visual observations and continuous waypoint trajectories through a single diffusion process. Given history frames and a goal image, UniNav jointly denoises visual and waypoint tokens within a single transformer, unifying future prediction and action generation in a shared framework. To improve spatial grounding, we incorporate geometry-aware camera tokens. We also train on both trajectory-labeled navigation data and video-only data, enabling the model to benefit from diverse videos without waypoint annotations. Based on this unified framework, we introduce two variants: UniNav-Full jointly predicts interpretable future observations and their corresponding trajectories, while UniNav-Fast removes future-image tokens at inference for efficient trajectory prediction. Experiments on navigation benchmarks show that UniNav outperforms the strongest baseline in ATE across all datasets. With one-step inference, UniNav-Fast achieves a latency of 0.1s without a substantial accuracy drop. Code will be released.
- Abstract（参考訳）: イメージゴール視覚ナビゲーションは、エンボディエージェントの基本的な機能である。
既存のナビゲーションポリシーは、経路ポイントの軌跡を効率的に予測するが、視界の見通しを欠いているが、ナビゲーションワールドモデルは将来の観測を予測できるが、しばしばコストのかかるロールアウトを必要とする。
単一拡散過程を通じて将来の視覚的観察と連続的な道点軌道を生成する統一世界行動モデルUniNavを提案する。
履歴フレームとゴールイメージが与えられたUniNavは、単一のトランスフォーマー内で視覚トークンとウェイポイントトークンを共同で識別し、将来の予測とアクション生成を共有フレームワークで統一する。
空間的接地を改善するため,幾何学的カメラトークンを取り入れた。
また、軌跡ラベル付きナビゲーションデータとビデオ専用データの両方をトレーニングし、ウェイポイントアノテーションを使わずに多様なビデオの恩恵を受けることができるようにした。
この統合された枠組みに基づいて、UniNav-Fullは解釈可能な将来の観測とその対応する軌跡を共同で予測し、UniNav-Fastは推論時に将来像トークンを除去し、効率的な軌跡予測を行う。
ナビゲーションベンチマークの実験では、UniNavはすべてのデータセットでATEで最強のベースラインを上回っている。
1ステップの推論で、UniNav-Fastは精度の低下なしに0.1秒のレイテンシを実現する。
コードはリリースされる。
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) - Uncertainty-Aware World Model for Aerial Image-Goal Navigation [49.01078106635952]
不確実性認識ナビゲーションワールドモデル(英: Uncertainty-Aware Navigation World Model、UA-NWM)は、空中画像ゴールナビゲーションのための効率的な潜在世界モデルである。
予測-ゴールの相違を不確実で説明不能なコンポーネントに分解する。
推論レイテンシを低く保ちながら、既存のナビゲーションワールドモデルより一貫して優れています。
論文 参考訳（メタデータ） (2026-08-06T04:43:53Z) - NavWAM: A Navigation World Action Model for Goal-Conditioned Visual Navigation [41.592946383221566]
ナビゲーションワールドモデルはこのような視覚的な展望を提供するが、予測された未来をクローズドループ制御に変換するために外部プランナーを必要とする予測モジュールは残る。
ナビゲーションワールドモデル予測を実行可能なアクションに変換する拡散変換器ポリシーであるナビゲーションワールドアクションモデル(NavWAM)を提案する。
我々は,シミュレーション事前学習と実ロボット適応によりNavWAMを構築し,計画に基づく世界モデルに対するイメージゴールナビゲーションと代表的ダイレクトナビゲーションポリシーについて評価する。
論文 参考訳（メタデータ） (2026-06-11T15:44:36Z) - Three-Step Nav: A Hierarchical Global-Local Planner for Zero-Shot Vision-and-Language Navigation [14.750200911270374]
マルチモーダル大言語モデル(MLLM)は、エージェントに与えられたタスクとゴールに対して、各時点における現在のビューを評価することで、一連の動作を計画することができる。
本稿では,3段階のプロトコルを用いて,これらの障害に対処する三段階ナビを提案する。
Three-Step Navは、R2R-CEデータセットとRxR-CEデータセット上で最先端のゼロショットパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-29T17:55:05Z) - NavDreamer: Video Models as Zero-Shot 3D Navigators [10.105345998118915]
本稿では,生成的映像モデルを言語命令と軌跡間の普遍的なインターフェースとして活用する3次元ナビゲーションのための映像ベースのフレームワークを提案する。
我々の主要な仮説は、映像が情報と物理力学をエンコードし、インターネットスケールの可用性と組み合わせることで、ナビゲーションにおけるゼロショットの強力な一般化を可能にする、というものである。
論文 参考訳（メタデータ） (2026-02-10T13:24:12Z) - ReasonNavi: Human-Inspired Global Map Reasoning for Zero-Shot Embodied Navigation [53.95797153529148]
身体的エージェントは、主に部分的な自我中心の観測に依存するため、効率的なナビゲーションに苦しむことが多い。
本稿では,マルチモーダル大規模言語モデル(MLLM)と決定論的プランナを結合することにより,この理由に基づくパラダイムを運用する,人間にインスパイアされたフレームワークであるReasonNaviを紹介する。
論文 参考訳（メタデータ） (2026-01-26T19:09:20Z) - Nav-$R^2$ Dual-Relation Reasoning for Generalizable Open-Vocabulary Object-Goal Navigation [67.68165784193556]
Nav-$R2$は、ターゲット環境モデリングと環境行動計画という2つのタイプの関係を明示的にモデル化するフレームワークである。
我々のSA-Memは、時間的・意味的両面から最も標的に関連し、現在の観測関連の特徴を保っている。
Nav-R2は、合理化され効率的なパイプラインを通して見えないオブジェクトをローカライズする、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-12-02T04:21:02Z) - DAgger Diffusion Navigation: DAgger Boosted Diffusion Policy for Vision-Language Navigation [73.80968452950854]
Vision-Language Navigation in Continuous Environments (VLN-CE) は、エージェントが自由形式の3D空間を通して自然言語の指示に従う必要がある。
既存のVLN-CEアプローチは通常、2段階のウェイポイント計画フレームワークを使用する。
本稿では,エンドツーエンド最適化VLN-CEポリシとしてDAgger Diffusion Navigation (DifNav)を提案する。
論文 参考訳（メタデータ） (2025-08-13T02:51:43Z) - SmartWay: Enhanced Waypoint Prediction and Backtracking for Zero-Shot Vision-and-Language Navigation [12.152477445938759]
連続環境におけるVLN(Vision-and-Language Navigation)は、制約のない3D空間をナビゲートしながら自然言語命令を解釈するエージェントを必要とする。
既存のVLN-CEフレームワークは、2段階のアプローチに依存している。
マルチモーダル大言語モデル(MLLM)に基づくナビゲータと拡張されたウェイポイント予測器を統合したゼロショットVLN-CEフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-13T05:32:57Z) - Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。
我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。
実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-04-26T02:08:46Z) - Pathdreamer: A World Model for Indoor Navigation [62.78410447776939]
本研究では,新しい屋内環境をナビゲートするエージェントの視覚的世界モデルPathdreamerを紹介する。
過去に1つ以上の視覚観測がなされると、パスドレーマーは可視性の高い高解像度の360度視覚観測を生成する。
不確実性の高い地域では、Pathdreamerは多様なシーンを予測でき、エージェントは複数の現実的な結果をサンプリングすることができる。
論文 参考訳（メタデータ） (2021-05-18T18:13:53Z)
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。