論文の概要: DreamFly: Causal Memory and Receding-Horizon Diffusion Planning for Aerial Vision-Language Navigation
- arxiv url: http://arxiv.org/abs/2608.12308v1
- Date: Wed, 12 Aug 2026 17:54:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.665848
- Title: DreamFly: Causal Memory and Receding-Horizon Diffusion Planning for Aerial Vision-Language Navigation
- Title（参考訳）: DreamFly:空中視線ナビゲーションのための因果記憶と逐次水平拡散計画
- Abstract要約: 航空視覚言語ナビゲーション(VLN)は、時間とともに視覚的エビデンスを統合し、将来のアクションを計画し、それが部分観測可能性の下でナビゲーション目標に到達したかどうかを決定するための実施エージェントを必要とする。
本研究では,Dream-VLA上に構築された拡散型空中VLNフレームワークであるDreamFlyを提案する。
DreamFlyは32.04%/29.46%のSRと28.22%/23.54%のSPLを達成した。
- 参考スコア（独自算出の注目度）: 4.9808826786866405
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aerial vision-language navigation (VLN) requires an embodied agent to integrate visual evidence over time, plan future actions, and determine when it has reached a navigation goal under partial observability. Although recent VLA models offer a promising perception-to-action paradigm, adapting them to aerial navigation remains challenging due to limited historical context, short planning horizons, and unreliable implicit termination. To address these challenges, we propose DreamFly, a diffusion-based aerial VLN framework built on Dream-VLA. DreamFly introduces a causally aligned historical memory that augments the current visual representation using only observations preceding the current decision step, enabling temporal reasoning without future information leakage. We further formulate navigation as receding-horizon diffusion planning, where the policy predicts a $K$-step action chunk but executes only the first action before replanning. This plan-$K$, execute-one strategy uses future actions as auxiliary planning targets while preserving closed-loop visual feedback. Finally, LiteStop estimates the stop probability directly from action logits at the initial all-mask state, decoupling explicit termination from action generation. Experiments on the OpenFly benchmark demonstrate consistent improvements in seen and unseen environments. DreamFly achieves 32.04%/29.46% SR and 28.22%/23.54% SPL on the test-seen/test-unseen splits, respectively, outperforming all compared methods on both metrics while attaining the lowest navigation error. These results demonstrate the effectiveness of jointly modeling historical context, future action structure, and explicit termination for aerial VLN.
- Abstract（参考訳）: 航空視覚言語ナビゲーション(VLN)は、時間とともに視覚的エビデンスを統合し、将来のアクションを計画し、それが部分観測可能性の下でナビゲーション目標に到達したかどうかを決定するための実施エージェントを必要とする。
近年のVLAモデルは有望な認識と行動のパラダイムを提供するが、歴史的状況の制限、計画の短期化、暗黙の終了などにより、これらを空中航行に適用することは依然として困難である。
これらの課題に対処するため,Dream-VLA上に構築された拡散型空中VLNフレームワークであるDreamFlyを提案する。
DreamFlyは因果的に整合した履歴メモリを導入し、現在の決定ステップの前の観察だけを使用して現在の視覚表現を増強し、将来の情報漏洩なしに時間的推論を可能にする。
我々はさらにナビゲーションを「後退水平拡散計画」として定式化し、そこではポリシーがK$ステップのアクションチャンクを予測するが、再計画する前に最初のアクションのみを実行する。
このプラン-$K、実行1の戦略は、クローズドループの視覚的フィードバックを保ちながら、将来のアクションを補助的な計画目標として利用する。
最後に、LiteStopは、最初の全マスク状態のアクションロジットから直接停止確率を推定し、明示的な終了をアクション生成から切り離す。
OpenFlyベンチマークの実験では、見かけと見えない環境における一貫した改善が示されている。
DreamFlyは32.04%/29.46%のSRと28.22%/23.54%のSPLを達成した。
これらの結果は、航空VLNの歴史的文脈、将来の行動構造、明示的な終了を共同でモデル化することの有効性を示す。
関連論文リスト
- 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) - Deliberate Before You Fly: Vision-Guided Spatial Deliberation for UAV See-and-Reach Navigation [23.72068584471195]
シー・アンド・リーチ・ナビゲーションでは、航空エージェントが初期ビューで見える言語指定のターゲットに接近し、その近くで確実に停止する必要がある。
既存の手法は通常、中間的な細粒度の空間決定を明示的にモデル化することなく、視覚言語表現を直接アクション出力にマッピングする。
そこで我々は,経路ポイント生成に先立って,視覚誘導型空間的議論を明示的に導入する,視覚言語による経路ポイント予測フレームワークDBFlyを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:27:07Z) - Anticipate Before Acting: Future-State-Conditioned Vision-Language Navigation [10.890622231189043]
因果視覚言語モデルを用いた終端視覚言語ナビゲーション(VLN)は、指示や自我中心の観察を直接行動にマッピングする。
特権入力診断は、専門家と軌跡の将来の画像へのアクセスがナビゲーションを大幅に改善できることを示している。
本稿では、将来の暗号通貨による因果ポリシーを強化し、訓練のみの将来の状態監視を利用する展開可能なモデルであるFuture-State-Conditioned VLN(FSC-VLN)を提案する。
論文 参考訳（メタデータ） (2026-07-20T15:11:46Z) - PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space [3.4519796338615225]
本稿では,視覚言語モデル(VLM)の潜在空間に議論を移すフレームワークであるPearlVLAを提案する。
future-guided RefineNetは、粗いセマンティックドラフトを細かな潜在アクションプランに段階的に洗練するために、定期的な更新を適用する。
PearlVLAは、既存のメソッド間で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-16T13:38:03Z) - Foresight: Iterative Reasoning About Clues that Matter for Navigation [20.227441986534767]
マップレスナビゲーションでは、未特定目標の解決と、目標達成にどの環境基準が関係しているかを推測する必要がある。
事前の作業は、既知のナビゲーション要因やクローズド・セット・ファクター・カテゴリに依存しているか、あるいは動作計画の前にキューを特定し、計画に依存しないキューを見逃すことによって制限される。
事前学習した視覚言語モデル(VLM)は、新しい指導関連キューを発見することができるが、どのキューが重要か、どのように運動計画に影響を及ぼすべきかに適応する必要がある。
我々はこれらのアイデアをForesightで実現した。これは、微調整されたVLMが画像空間の運動計画とクオリティを交互に提案するテストタイムフレームワークである。
論文 参考訳（メタデータ） (2026-06-10T18:01:06Z) - Coarse-to-Control: Action-Token Planning for Vision-Language-Action Models [101.44987067974999]
Coarse-to-Controlは計画実行VLAで、アクション・ツー・ケンの領域で計画を導入する。
アクション・ツー・ケイン・プランニングは直接アクション・ジェネレーションよりも一貫して改善されていることを示す。
論文 参考訳（メタデータ） (2026-06-05T10:01:37Z) - 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) - See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
本稿では,See, Plan, Rewind (SPR)について紹介する。
SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。
SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
論文 参考訳（メタデータ） (2026-03-10T07:22:51Z) - ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。
具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。
本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文 参考訳（メタデータ） (2026-01-23T11:31:07Z) - 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)
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。