論文の概要: CrossTracer: Cross-Embodiment Navigation via VLA Model Reasoning and Trace Residuals Adapting
- arxiv url: http://arxiv.org/abs/2608.06688v1
- Date: Fri, 07 Aug 2026 01:24:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.322936
- Title: CrossTracer: Cross-Embodiment Navigation via VLA Model Reasoning and Trace Residuals Adapting
- Title（参考訳）: CrossTracer: VLAモデル推論とトレース残量適応によるクロスボデーメントナビゲーション
- Abstract要約: CrossTracerは、クロスボディナビゲーションのための階層的なフレームワークである。
セマンティック推論と物理接地の間に統一的なピクセル空間インターフェースを形成する。
そこで,NaviTraceベンチマークを用いてCrossTracerの評価を行った。
- 参考スコア（独自算出の注目度）: 51.52109090141233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models provide strong semantic priors for robot navigation, but they often ignore embodiment-specific mobility constraints. A path that is semantically plausible for one robot may be physically infeasible for another. We propose CrossTracer, a hierarchical framework for cross-embodiment navigation through adaptive trace residuals. CrossTracer represents navigation plans as normalized image-plane waypoints, forming a unified pixel-space interface between semantic reasoning and physical grounding. First, Vision-Language Trace Proposer (VL-Tracer) adapts a pretrained VLA model to predict an initial navigation trace from egocentric observations and flexible goal specifications. Second, CE-Adapter refines this trace by predicting embodiment-conditioned residual corrections from visual traversability cues, robot identity, and the initial trace. To train the refinement module without costly manual annotation, Cross-Embodiment RRT* (CE-RRT*) converts panoptic segmentation into robot-conditioned traversability cost maps and generates cost-minimizing pixel-space traces. We evaluate CrossTracer on the NaviTrace benchmark, which tests whether a model can generate embodiment-consistent navigation traces from egocentric observations, language instructions, and robot embodiment types. CrossTracer achieves a total score of 45.68, outperforming the strongest evaluated general-purpose baseline, Gemini-2.5-Pro, by 10.01 points, corresponding to a 28.1% relative improvement. Real-world deployment on wheeled and legged robots further shows improved navigation success and execution efficiency.
- Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、ロボットナビゲーションに強力なセマンティックな先行性を提供するが、それらはしばしばエンボディメント固有のモビリティ制約を無視している。
あるロボットにとって意味論的に妥当な経路は、別のロボットにとって物理的に不可能である。
そこで我々はCrossTracerを提案する。CrossTracerは、適応的トレース残差を通したクロスボデーメントナビゲーションのための階層的なフレームワークである。
CrossTracerは、ナビゲーションプランを正規化されたイメージプレーンのウェイポイントとして表現し、セマンティック推論と物理的グラウンドニングの間に統一されたピクセル空間インターフェースを形成する。
第一に、Vision-Language Trace Proposer (VL-Tracer)は、事前訓練されたVLAモデルを適用し、自我中心の観測とフレキシブルな目標仕様から初期ナビゲーショントレースを予測する。
第2に、CE-Adapterは、視覚的トラバーサビリティの手がかり、ロボットのアイデンティティ、および初期トレースから、実施条件付き残差補正を予測することによって、このトレースを洗練する。
手作業で手動のアノテーションを使わずに改良モジュールを訓練するために、CE-RRT*(Cross-Embodiment RRT*)は、パン光学セグメント化をロボット条件のトラバーサビリティコストマップに変換し、コスト最小のピクセル空間トレースを生成する。
そこで我々は,NaviTraceベンチマークでCrossTracerを評価し,エゴセントリックな観察,言語指導,ロボットのエンボディメントタイプから,モデルがエゴセントリックなナビゲーショントレースを生成できるかどうかを検証した。
クロストラッカーの総合得点は45.68点であり、28.1%の相対的な改善に対応する10.01点のゲミニ2.5-Proを上回っている。
車輪付きおよび脚付きロボットの現実的な展開は、ナビゲーションの成功と実行効率をさらに向上させる。
関連論文リスト
- Towards Capability-Aware Traversability Navigation for Unstructured Environments [0.7270112855088836]
本稿では,空間的特徴空間に直接物理的制限を埋め込むフレームワークであるCapability-Aware Traversability (CAT)を提案する。
CATは、人間による注釈付きおよびトラジェクトリ整列データセット全体にわたって、ランキングベースのメトリクスをリードする。
足の四足歩行と車輪付きスキッドステアへの展開は、組込みハードウェアの4.8Hzでの実施を意識した障害物回避を実証する。
論文 参考訳（メタデータ） (2026-07-22T19:28:57Z) - Beyond Waypoints: A Trajectory-Centric Waypointing Paradigm for Vision-Language Navigation [79.12557132788139]
VLN-CE(Vision-Language Navigation in Continuous Environments)では、エージェントが現実世界のような環境でナビゲートしながら自然言語の指示に従う必要がある。
ほとんどのVLN-CEアプローチでは、ウェイポイント予測器がウェイポイントを提案し、ナビゲータが最良のウェイポイントを選択する。
提案手法は,各候補の経路点を実行可能な軌道に配置する,トラジェクトリ・ウェイポイントという新しいパラダイムを導入する。
論文 参考訳（メタデータ） (2026-06-05T13:11:39Z) - Beyond Waypoints: Dual-Heatmap Grounding for Cross-Embodiment Semantic Navigation [13.081539889943906]
本研究では,FOV内セマンティックナビゲーションの実践的な設定に焦点を当てる。
本稿では,Dual-Heatmap表現に有利な単一点回帰を放棄する統合ビジョン・ランゲージフレームワークを提案する。
本フレームワークは,8Bベースライン間の最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-19T06:12:59Z) - Multimodal embodiment-aware navigation transformer [5.673561896367136]
ViLiNTは、複数のプラットフォームや環境からの異種データに基づいてトレーニングされた、ゴールナビゲーションのためのマルチモーダルな注意ベースのポリシーである。
我々は、ViLiNTが、同等の最先端ビジョンオンリーベースライン(NoMaD)よりも平均166%向上することを示す。
結果は、障害物場を航行するローバーの実際の展開を通じて確認される。
論文 参考訳（メタデータ） (2026-04-21T09:32:59Z) - CoWTracker: Tracking by Warping instead of Correlation [53.834673070954494]
ワープに有利なコストを削減できる高密度な点トラッカーを提案する。
近年の光学的流れの進展に触発されて,本手法では,現在の推定値に基づいて,対象フレームからクエリフレームへ特徴を変換することで,トラック推定を反復的に洗練する。
我々のモデルは,TAP-Vid-DAVIS,TAP-Vid-Kinetics,Robo-TAPなど,標準的な高密度点追跡ベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2026-02-04T18:58:59Z) - RoboTracer: Mastering Spatial Trace with Reasoning in Vision-Language Models for Robotics [53.053660003572965]
本稿では,3次元空間参照と計測の両方を初めて実現した3D対応VLMであるRoboTracerを提案する。
RoboTracerは、強化微調整により、多段階のメートル法推論を進める。
本稿では,空間的トレーシングを評価する上で困難なベンチマークであるTraceSpatial-Benchを提案する。
論文 参考訳（メタデータ） (2025-12-15T18:52:43Z) - Graph Enhanced Trajectory Anomaly Detection [23.8160784400789]
軌道異常検出は、インテリジェント交通システムから都市安全・不正防止に至るまで、異常かつ予期せぬ動きパターンを特定するために不可欠である。
既存の手法では、軌跡をサンプリングされた位置の列として扱うことにより、軌道の性質とその運動空間の限られた側面しか考慮していない。
提案するグラフ拡張軌道異常検出フレームワークは,道路網のトポロジ,セグメントセマンティクス,過去の走行パターンを密に統合し,軌跡データをモデル化する。
論文 参考訳（メタデータ） (2025-09-22T20:15:15Z) - RSRNav: Reasoning Spatial Relationship for Image-Goal Navigation [57.197881161006904]
近年のイメージゴールナビゲーション(ImageNav)手法は,目標と自我中心の画像の意味的特徴を別々に捉え,知覚行動ポリシーを学習している。
本稿では,目標と現在の観測値の空間的関係をナビゲーションガイダンスとして考慮する,シンプルで効果的な手法であるRSRNavを提案する。
論文 参考訳（メタデータ） (2025-04-25T00:22:17Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal
Goal Estimation [28.10445924083422]
BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。
BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
論文 参考訳（メタデータ） (2020-07-29T02:40:17Z)
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。