論文の概要: World-Model-Grounded LLM Planning for AUV and ASV Navigation Near Offshore Wind Farms
- arxiv url: http://arxiv.org/abs/2608.19661v1
- Date: Thu, 20 Aug 2026 05:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.457225
- Title: World-Model-Grounded LLM Planning for AUV and ASV Navigation Near Offshore Wind Farms
- Title（参考訳）: オフショアウィンドファーム周辺におけるAUV及びASVナビゲーションのための世界モデル型LLM計画
- Abstract要約: 大型の言語モデルは、自然言語のミッションを一連のロボット行動に変換することができるが、物理感覚は持っていない。
本稿では,大規模言語モデルに基づくプランナの能力を拡張するための世界モデルを提案する。
- 参考スコア（独自算出の注目度）: 4.824530309684156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models can turn a natural-language mission into a sequence of robot actions, but they do not have a sense of physics: they cannot judge how long a command should run, or whether it will make the robot drift into an obstacle. We proposed the use of a world model to expand the capabilities of Large Language model-based planners. Our method has three components: a physics-grounded neural world model, a three-phase gradient-based trajectory optimizer, and a Model Predictive Controller (MPC)-style closed-loop replanner with a trust-region guard. The language model decides what to do, and the world model decides how long, whether that means driving eight thrusters through 6 DOF or two differential thrusters through 3 DOF. We evaluate two marine vehicle classes operating near offshore wind infrastructure: a 6-DOF Autonomous Underwater Vehicle (AUV) and a 3-DOF differential-drive Autonomous Surface Vehicle (ASV). In five benchmark missions per platform, both vehicles reach every goal with zero predicted collisions, and both transfer to GazeboSim under ocean current, waves, and thruster dynamics, remaining collision-free and cutting GazeboSim goal-distance error versus the ungrounded baseline by 70-82% (ASV) and roughly 93% (AUV), after a residual fine-tuning pass that separately reduces surrogate rollout Root Mean Square Error (RMSE) by 60% (AUV) and 69% (ASV). For the ASV we further demonstrate a Vision language model (VLM)-assisted semantic-mapping pipeline that extracts obstacles and environmental context from satellite imagery, nautical charts, and forecast Application Programming Interface (API) instead of onboard sensors, reaching 96% navigability accuracy as a drop-in replacement for hand-specified obstacle geometry.
- Abstract（参考訳）: 大きな言語モデルは、自然言語によるミッションを一連のロボット行動に変換することができるが、それらは物理的な感覚を持っていない。
我々は,大規模言語モデルに基づくプランナの能力を拡張するための世界モデルの提案を行った。
提案手法は,物理基底型ニューラルワールドモデル,3相勾配型軌道オプティマイザ,信頼領域ガード付きモデル予測制御器(MPC)スタイルの閉ループリプランナの3成分からなる。
言語モデルは何をするかを決め、世界モデルは8つのスラスタを6 DOFで駆動するか、3 DOFで2つの差動スラスタを駆動するかを決定する。
沖合の風力インフラ付近で運用されている2つの海中車種(AUV)と3-DOVの差動駆動型自律表面車(ASV)を評価した。
プラットフォーム毎の5回のベンチマークミッションでは、両方の車両は予測された衝突がゼロで目標に到達し、ガゼボシムへの海流、波動、スラスタの力学の下での移動、衝突のないままのガゼボシムの目標距離誤差を70-82% (ASV) と約93% (AUV) に抑え、サロゲートロールアウトのルート平均角誤差 (RMSE) を60% (AUV) と69% (ASV) に減らした。
ASVでは、衛星画像、海図、予測から障害物や環境状況を抽出する視覚言語モデル(VLM)を用いたセマンティックマッピングパイプラインをさらに実証し、搭載センサーの代わりにアプリケーションプログラミングインタフェース(API)を解析し、手動特定障害物形状のドロップイン代替として96%のナビゲーション可能性精度を達成した。
関連論文リスト
- PGN: Design and Implementation of a Vision-Language Navigation System Based on Pangu Multimodal Foundation Model [10.02560644098367]
Vision-Language Navigation (VLN) は、自然な計算命令を解釈し、時間的に順序付けられた視覚的観察から行動を予測するために、具体的エージェントを必要とする。
本報告では,OpenPangu-7B上に構築されたオフラインVLN動作予測システムであるPGN(Pangu Navigator)について述べる。
論文 参考訳（メタデータ） (2026-07-20T10:48:48Z) - 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) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - D2-V2X: Depth-Driven Cooperative V2X Reasoning for Autonomous Driving [10.860896159477264]
D2-V2Xは,空間認識型質問応答(QRA)ベンチマークで8500個の三重項を特徴とする。
構造化された出力に先立って、自然言語のリコール合理性を強制することにより、我々のモデルは空間的関係を明確に表現せざるを得ない。
このモデルではF1スコアを53.5の関数的に決定するが、3次元から2次元の投影を現在のVLMアーキテクチャの基本的なボトルネックとみなす。
論文 参考訳（メタデータ） (2026-05-22T18:05:10Z) - cuRoboV2: Dynamics-Aware Motion Generation with Depth-Fused Distance Fields for High-DoF Robots [12.825461775215366]
cuRoboV2は、シングルアームマニピュレータからフルヒューマノイドにスケールするモーション生成スタックである。
1)スムーズさとトルク制限を強制するB-スプライン軌道最適化,(2)フルワークスペースをカバーする高密度符号付き距離場を生成するGPUネイティブTS/ESDF認識パイプライン,(3)高DoFヒューマノイドにも拡張しながら最大61倍の速度で到達する逆ダイナミクスマップ-リデュース自己ネイティブ。
論文 参考訳（メタデータ） (2026-03-05T18:58:04Z) - AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。
無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。
本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
論文 参考訳（メタデータ） (2026-02-10T11:08:07Z) - DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning [94.62097655403683]
本稿では,ビジョン・ランゲージ・アクション統合フレームワークとして機能する空間認識型4次元MLLMであるDrivePIを提案する。
提案手法は,空間的理解,3次元知覚,予測(占有フロー),計画(行動出力)を並列に行う。
MLLMのバックボーンとして0.5BのQwen2.5モデルしか持たず、単一の統一モデルとしてのDrivePIは既存のVLAモデルと特殊VAモデルの両方を上回るか、あるいは超える。
論文 参考訳（メタデータ） (2025-12-14T18:45:54Z) - D3D-VLP: Dynamic 3D Vision-Language-Planning Model for Embodied Grounding and Navigation [66.7166217399105]
エージェントは、エンドツーエンドモデルには解釈可能性や明示的な3D推論が欠けているという、重要なジレンマに直面します。
1) 計画,グラウンド,ナビゲーション,質問応答を単一の3D-VLMパイプラインとCoTパイプラインで統一する動的3Dチェーン(3D CoT) ; 2) フラグメンテッド・スーパービジョン(SLFS)戦略からのシナジスティック学習 マスク付き自己回帰損失を用いて,大規模かつ部分的に注釈付けされたハイブリッドデータから学習する。
論文 参考訳（メタデータ） (2025-12-14T09:53:15Z) - SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。
本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
論文 参考訳（メタデータ） (2025-08-14T12:02:41Z) - DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving [67.46481099962088]
現在の視覚中心の事前訓練は、通常、2Dまたは3Dのプリテキストタスクに依存し、自律運転の時間的特性を4Dシーン理解タスクとして見落としている。
我々は,マルチカメラ駆動ビデオからテンポラリな方法で事前学習が可能なEmphcentricDriveWorldを紹介した。
DriveWorldは、さまざまな自動運転タスクに関する有望な結果を提供する。
論文 参考訳（メタデータ） (2024-05-07T15:14:20Z)
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。