論文の概要: OccPlanner: Goal-Aware Occupancy-Conditioned Diffusion Planner for Pixel-Goal Navigation
- arxiv url: http://arxiv.org/abs/2608.14160v1
- Date: Fri, 14 Aug 2026 10:15:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.348483
- Title: OccPlanner: Goal-Aware Occupancy-Conditioned Diffusion Planner for Pixel-Goal Navigation
- Title（参考訳）: OccPlanner:Pixel-Goalナビゲーション用Goal-Aware Occupency-Conditioned Diffusion Planner
- Abstract要約: 本稿では,OccPlannerについて紹介する。
OccPlannerは、自中心距離空間における画素目標を基礎とする。
L3ROccは、単眼のRGBナビゲーションビデオを、ロボット中心のローカル3D占有アノテーションに変換する。
- 参考スコア（独自算出の注目度）: 10.522967491754548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pixel-goal navigation specifies targets directly in the agent's camera view, but a target pixel provides neither metric depth nor traversability, making 3D goal grounding and collision-free continuous planning challenging. We present OccPlanner, a goal-aware occupancy-conditioned diffusion planner that grounds pixel goals in egocentric metric space and sequentially conditions the goal representation on temporal visual context and learned local 3D occupancy features. To provide occupancy supervision at scale, we introduce L3ROcc, which converts monocular RGB navigation videos into robot-centric local 3D occupancy annotations through geometric reconstruction and ray-based visibility reasoning. We train OccPlanner on InternData-N1 and evaluate it in closed-loop simulation across four unseen scene categories from InternScenes and two goal-distance ranges. In the 5-8 m setting, OccPlanner increases the average success rate (SR) over NavDP from 20.81% to 71.55% across the four categories, reaching 86.20% and 84.92% in cluttered-easy and cluttered-hard scenes, respectively. Real-world open-loop experiments on a Unitree Go2 further provide initial evidence of sim-to-real transfer and adaptation with L3ROcc-generated supervision.
- Abstract（参考訳）: ピクセルゴールナビゲーションは、エージェントのカメラビューで直接ターゲットを指定するが、ターゲットピクセルはメートル法深度もトラバーサビリティも提供せず、3Dゴールの接地と衝突のない連続計画が困難である。
OccPlannerは、自我中心距離空間における画素目標を基礎とし、時間的視覚的文脈における目標表現を逐次的に条件付けし、局所的な3D占有特徴を学習する、目標対応の拡散プランナーである。
L3ROccは,モノクラーRGBナビゲーションビデオを,幾何学的再構成と線量に基づく視認性推論により,ロボット中心の局所的な3D占有アノテーションに変換する。
InternData-N1上でOccPlannerを訓練し、InternScenesと2つのゴール距離範囲の4つの未確認シーンカテゴリのクローズドループシミュレーションで評価する。
5-8m設定では、OccPlannerはNavDPの平均成功率(SR)を4つのカテゴリで20.81%から71.55%に引き上げ、それぞれ86.20%と84.92%の散らかった難解なシーンに到達した。
Unitree Go2上の実世界のオープンループ実験は、L3ROcc生成の監督によるsim-to-real転送と適応の最初の証拠を提供する。
関連論文リスト
- Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。
まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。
次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
論文 参考訳（メタデータ） (2026-08-18T08:37:08Z) - Robostral Navigate [138.74472687550374]
Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。
モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。
我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
論文 参考訳（メタデータ） (2026-07-22T23:13:05Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - SCAN-Planner: Spatial Collision-Aware Local Planning for Route-Guided Long-Range Quadruped Navigation [9.033597184884746]
SCAN-Plannerは、長距離四足歩行のための空間衝突対応ローカルプランニングフレームワークである。
伸縮ロボット体をモデル化するために、ヨーアウェアツインシリンダーフットプリントを使用する。
大規模展開では、境界フォールバックを持つロボット中心のスライディングマップが、高分解能な局所衝突チェックを提供する。
論文 参考訳（メタデータ） (2026-06-17T19:55:09Z) - Monocular 3D Occupancy Perception for Robots on Sidewalks via Hybrid 2D-3D Learning [36.24525372937089]
WalkOCCは、歩道で動くロボットのためのハイブリッドなレイマーチモノクロ3D占有感フレームワークである。
ペア化されたシーケンスから擬似占有管理をブートストラップし、追加の2Dデータに基づいて画像レベルの表現を共同で学習する。
コストのかかる3D占有アノテーションを必要とせず、安定した最適化と一般化の改善を実現している。
論文 参考訳（メタデータ） (2026-06-17T14:35:52Z) - CosFly: Plan in the Matrix, Fly in the World [5.765003525486641]
航空追跡のためのボックス構造化計画およびマルチモーダルシミュレーションパイプラインであるCosFlyを提案する。
また,多様な環境をまたいだ動的目標追跡のための大規模UAVデータセットであるCosFly-Trackについても紹介する。
論文 参考訳（メタデータ） (2026-05-18T21:11:18Z) - OmniVLN: Omnidirectional 3D Perception and Token-Efficient LLM Reasoning for Visual-Language Navigation across Air and Ground Platforms [33.40889181799252]
言語誘導型エンボディナビゲーションでは、エージェントがオブジェクト参照命令を解釈し、複数の部屋を探索し、参照されたターゲットをローカライズし、それに対する信頼できる動きを実行する必要がある。
OmniVLNは、全方位3次元知覚とトークン効率の高い階層的推論を、空中と地上の両方で組み合わせたゼロショット視覚言語ナビゲーションフレームワークである。
実験により、提案した階層インタフェースは空間参照精度を77.27%から93.18%に改善し、マルチルームの乱雑な設定で累積的なプロンプトトークンを61.7%削減し、フラットで最大11.68%のナビゲーション成功率向上を実現した。
論文 参考訳（メタデータ） (2026-03-18T04:26:30Z) - OccTrack360: 4D Panoptic Occupancy Tracking from Surround-View Fisheye Cameras [25.151688173881453]
OccTrack360は、サラウンドビューの魚眼カメラから4Dパノプティクスの占有状況を追跡するための新しいベンチマークである。
OccTrack360は、以前のベンチマークよりもかなり長く、より多様なシーケンス(1742234フレーム)を提供する。
また,魚眼占領追跡における2つの課題に対処するフレームワークであるSphere Occを提案する。
論文 参考訳（メタデータ） (2026-03-09T15:55:26Z) - Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。
我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。
挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2024-07-08T12:52:46Z) - Volumetric Environment Representation for Vision-Language Navigation [66.04379819772764]
視覚言語ナビゲーション(VLN)は、視覚的な観察と自然言語の指示に基づいて、エージェントが3D環境をナビゲートする必要がある。
本研究では,物理世界を3次元構造細胞にボクセル化するボリューム環境表現(VER)を提案する。
VERは3D占有率、3D部屋レイアウト、および3Dバウンディングボックスを共同で予測する。
論文 参考訳（メタデータ） (2024-03-21T06:14:46Z) - Target-Driven Structured Transformer Planner for Vision-Language
Navigation [55.81329263674141]
本稿では,TD-STP(Target-Driven Structured Transformer Planner)を提案する。
具体的には,長期目標の明示的な推定を行うため,Imaginary Scene Tokenization機構を考案する。
さらに,調査室のレイアウトを構造的かつグローバルな計画のためのニューラルアテンションアーキテクチャにエレガントに組み込んだ構造化トランスフォーマープランナーを設計する。
論文 参考訳（メタデータ） (2022-07-19T06:46:21Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳（メタデータ） (2022-02-23T02:14:23Z)
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。