論文の概要: OptiSight: Bridging Semantic Reasoning and Geometric Control for Embodied Navigation
- arxiv url: http://arxiv.org/abs/2608.23354v1
- Date: Mon, 24 Aug 2026 15:02:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.162677
- Title: OptiSight: Bridging Semantic Reasoning and Geometric Control for Embodied Navigation
- Title（参考訳）: OptiSight:Bing Semantic Reasoning and Geometric Control for Embodied Navigation
- Abstract要約: 自律型屋内ナビゲーションのためのフレームワークOptiSightを提案する。
ビジョン・ランゲージ・モデル推論と有限状態のチェーン・オブ・ソートアーキテクチャによる決定論的ビジュアルサーボを組み合わせる。
AI Habitatの実験では、さまざまな屋内シナリオにわたる信頼性の高いゼロショットナビゲーションが示されている。
- 参考スコア（独自算出の注目度）: 0.5371337604556311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous indoor navigation requires both semantic understanding and precise geometric control. We propose OptiSight, a hybrid framework that combines Vision-Language Model reasoning with deterministic visual servoing through a finite-state Chain-of-Thought architecture. Grounded-SAM localizes open-vocabulary targets, while camera projection geometry converts visual observations into navigation commands without requiring dense mapping. The VLM is queried only at key decision points, reducing computational overhead while geometric control handles continuous navigation. Experiments in AI Habitat demonstrate reliable zero-shot navigation across diverse indoor scenarios, including obstacle avoidance and semantic ambiguity, while operating within an 8~GB VRAM budget. The source code is available at https://github.com/avanalperen/OptiSight-Python-Multimodal-CoT-for-Visual-Reasoning.
- Abstract（参考訳）: 自律的な屋内ナビゲーションは意味的理解と正確な幾何学的制御の両方を必要とする。
本稿では,ビジョンランゲージモデル推論と有限状態チェーン・オブ・ソートアーキテクチャによる決定論的視覚サーボを組み合わせたハイブリッドフレームワークOptiSightを提案する。
Grounded-SAMはオープン語彙のターゲットをローカライズするが、カメラ投影幾何学は、密集したマッピングを必要とせず、視覚的な観察をナビゲーションコマンドに変換する。
VLMはキー決定ポイントでのみクエリされ、幾何学的制御が連続的なナビゲーションを処理する間、計算オーバーヘッドが削減される。
AI Habitatの実験では、8～GBのVRAM予算内で運用しながら、障害物回避やセマンティックなあいまいさを含む、さまざまな屋内シナリオにわたる信頼性の高いゼロショットナビゲーションが示されている。
ソースコードはhttps://github.com/avanalperen/OptiSight-Python-Multimodal-CoT-for-Visual-Reasoningで入手できる。
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) - Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System [96.69286664036143]
Qwen-RobotNavは、Qwen-RobotNav上に構築されたスケーラブルなナビゲーションモデルである。
156万のサンプルでQwen-RobotNavをトレーニングします。
Qwen-RobotNavは、主要なナビゲーションベンチマークにまたがって、最先端の結果を新たに設定する。
論文 参考訳（メタデータ） (2026-06-16T16:17:44Z) - PlatonicNav: Unveiling Semantic Correspondence in Navigation with Platonic Topological Maps [14.35568539633215]
身体的な視覚ナビゲーションは、家庭用サービスロボティクス、補助ロボティクス、大規模自律探査など、幅広い応用を支えている。
我々は,Platonic Topological Mapが自己教師付き視覚エンコーダから幾何学的および意味的ノード距離を融合する学習自由フレームワークであるPlatonicNavを紹介し,視覚言語データをペア化せずにブラインドマッチングによって言語目標をグラウンド化する。
論文 参考訳（メタデータ） (2026-06-01T07:08:50Z) - Validating Navmesh using Geometry: Voxel-Based Analysis with Prioritized Exploration [0.09236074230806579]
不整合は、ゲーム環境において非プレイ可能な文字(NPC)が使用するナビゲーションシステムに直接影響することでプレイヤーの体験に影響を与える。
既存の自動アプローチは、探索エージェントと強化学習技術を用いてナビゲーションの問題を検出する。
本稿では,Navmeshの精度の独立な幾何学的解析により,ナビゲーションメッシュの検証を行うフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-20T16:54:07Z) - An Open-Source LiDAR and Monocular Off-Road Autonomous Navigation Stack [35.094251140860756]
タスク固有のトレーニングを使わずに,LiDARとモノクル3次元認識の両方をサポートするオープンソースのナビゲーションスタックを提案する。
単分子配置では、ゼロショット深度予測とメートル法深度再スケーリングをスパースSLAM測定を用いて組み合わせる。
結果として得られるポイントクラウドは、コストマップベースの計画のためのロボット中心の2.5D高度マップを生成するために使用される。
論文 参考訳（メタデータ） (2026-04-03T15:19:20Z) - AgentVLN: Towards Agentic Vision-and-Language Navigation [78.739525400071]
VLN (Vision-and-Language Navigation) は、複雑な自然言語命令を、見えない環境での長距離ナビゲーションに接地するために、エンボディエージェントを必要とする。
本稿では,エッジコンピューティングプラットフォーム上に展開可能な,新規かつ効率的なナビゲーションフレームワークであるAgentVLNを提案する。
論文 参考訳（メタデータ） (2026-03-18T12:43:47Z) - Direct Contact-Tolerant Motion Planning With Vision Language Models [64.48049143625063]
乱雑な環境でのナビゲーションは、しばしばロボットが可動または変形可能な物体との接触を許容する必要がある。
本稿では,視覚言語モデル(VLM)を直接的視点認識とナビゲーションに統合したDCTプランナを提案する。
我々はIsaac Simと本物のカーライクなロボットにDCTを実装し、移動障害物のある散らばった環境において、DCTが堅牢で効率的なナビゲーションを実現することを実証した。
論文 参考訳（メタデータ） (2026-03-05T10:05:00Z) - MSGNav: Unleashing the Power of Multi-modal 3D Scene Graph for Zero-Shot Embodied Navigation [42.4892002514681]
現実世界のデプロイメントには、オープンな語彙の一般化とトレーニングのオーバーヘッドの低減が必要だ。
明示的な3Dシーングラフを構築する既存のゼロショット法は、リッチな視覚的観察をテキストのみの関係に圧縮する。
テキスト関係を置き換えることで視覚的手がかりを保存できるM3DSG(Multi-modal 3D Scene Graph)を導入する。
論文 参考訳（メタデータ） (2025-11-13T14:51:21Z) - SLAM-Free Visual Navigation with Hierarchical Vision-Language Perception and Coarse-to-Fine Semantic Topological Planning [20.12642476619467]
脚付きロボットナビゲーションのための視覚のみのSLAMフリーナビゲーションフレームワークを提案する。
階層的な視覚言語知覚モジュールは、シーンレベルのコンテキストとオブジェクトレベルの手がかりを融合して、堅牢なセマンティック推論を行う。
強化学習コントローラと統合されたこのフレームワークは、さまざまな脚を持つロボットプラットフォームにデプロイ可能である。
論文 参考訳（メタデータ） (2025-09-25T04:38:45Z) - TANGO: Traversability-Aware Navigation with Local Metric Control for Topological Goals [10.69725316052444]
ゼロショット・ロングホライゾン・ロボットナビゲーションを可能にする新しいRGBのみのオブジェクトレベルのトポロジカルナビゲーションパイプラインを提案する。
提案手法は,グローバルなトポロジカルパス計画と局所的軌跡制御を統合し,障害物を避けつつ,ロボットがオブジェクトレベルのサブゴールに向かって移動できるようにする。
シミュレーション環境と実世界の両方のテストにおいて,本手法の有効性を実証し,その堅牢性とデプロイ性を強調した。
論文 参考訳（メタデータ） (2025-09-10T15:43:32Z) - JPerceiver: Joint Perception Network for Depth, Pose and Layout
Estimation in Driving Scenes [75.20435924081585]
JPerceiverは、モノクロビデオシーケンスからスケール認識深度とVOとBEVレイアウトを同時に推定することができる。
クロスビュー幾何変換(CGT)を利用して、絶対スケールを道路レイアウトから奥行きとVOに伝播させる。
Argoverse、Nuscenes、KITTIの実験は、上記の3つのタスクの全てにおいて、既存のメソッドよりもJPerceiverの方が優れていることを示している。
論文 参考訳（メタデータ） (2022-07-16T10:33:59Z) - Structured Scene Memory for Vision-Language Navigation [155.63025602722712]
視覚言語ナビゲーション(VLN)のための重要なアーキテクチャを提案する。
ナビゲーション中に知覚を正確に記憶できるほど区画化されている。
また、環境内の視覚的および幾何学的な手がかりを捉え、取り除く、構造化されたシーン表現としても機能する。
論文 参考訳（メタデータ） (2021-03-05T03:41:00Z)
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。