Fugu-MT 論文翻訳(概要): RTNav: Towards Real-Time Zero-Shot Object Navigation

論文の概要: RTNav: Towards Real-Time Zero-Shot Object Navigation

arxiv url: http://arxiv.org/abs/2608.26496v1
Date: Thu, 27 Aug 2026 00:35:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.208111
Title: RTNav: Towards Real-Time Zero-Shot Object Navigation
Title（参考訳）: RTNav: リアルタイムゼロショットオブジェクトナビゲーションを目指す
Abstract要約: RTNavは、推論レイテンシ、非同期環境のステップ、および境界計算を明示的な設計上の考慮として扱う、シンプルだが効果的なアーキテクチャである。 HM3D-v1, HM3D-v2, HM3D-OVONのリアルタイム変動について検討した。
参考スコア（独自算出の注目度）: 3.0484403383447085
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Navigation in unknown environments to find unforeseen objects has become increasingly feasible with capable vision and language foundation models. However, these models also introduce non-negligible inference latency, which becomes an important concern when agents must operate continuously in the real world. Most state-of-the-art methods are still developed in synchronous simulators, where the environment waits for the agent to act and inference time is effectively free. As a result, agents are often designed around the sequential execution of perception, reasoning, and action, with little regard for time constraints. Under real-time execution, where wall-clock time counts towards the task budget, the inefficiencies of these architectures become clear. We show that recent zero-shot object navigation methods suffer consistent performance degradation under such realistic timing conditions. Motivated by this observation, we propose RTNav, a simple but effective architecture that treats inference latency, asynchronous environment stepping, and bounded compute as explicit design considerations. Evaluated on real-time variants of HM3D-v1, HM3D-v2, and HM3D-OVON, RTNav improves the success rate by up to 11% and the Success weighted by Completion Time by up to 5.1 points over prior work.
Abstract（参考訳）: 予期せぬ物体を見つけるための未知の環境でのナビゲーションは、能力のある視覚モデルや言語基盤モデルによってますます実現可能になっている。しかし、これらのモデルは非無視推論レイテンシも導入しており、エージェントが現実世界で継続的に動作しなければならない場合に重要な懸念事項となる。ほとんどの最先端の手法は依然として同期シミュレータで開発されており、環境はエージェントの動作を待ち、推論時間は効果的に自由である。その結果、エージェントは時間制約をほとんど考慮せず、知覚、推論、行動のシーケンシャルな実行を中心に設計されることが多い。ウォールタイムがタスク予算にカウントされるリアルタイム実行では、これらのアーキテクチャの非効率性は明確になる。本稿では,最近のゼロショットオブジェクトナビゲーション手法が,そのような現実的なタイミング条件下で一貫した性能劣化に悩まされていることを示す。この観測から得られたRTNavは、推論遅延、非同期環境のステップ、および有界計算を明示的な設計上の考慮として扱う、シンプルで効果的なアーキテクチャである。 HM3D-v1、HM3D-v2、HM3D-OVONのリアルタイム変種に基づいて評価され、RTNavは成功率を最大11%改善し、完了時間によって重み付けされた成功率は前回の作業で最大5.1ポイント向上した。

関連論文リスト

Bridging the Sim-to-Real Gap under Real-Time Constraints in Autonomous Racing [3.751342183022128]
本稿では,フルスタックでリアルタイムなシステム問題として,自律走行におけるシミュレートから現実への移動を考察する。性能フリップ,安定性指向尺度,遅延やノイズに対する感度,遅延分布の特徴など,名目上のラップタイムを超える診断指標を提示する。本稿では,再現可能かつ公平なシミュレーション・トゥ・リアル評価を可能にするベンチマークガイドラインを,計算およびタイミング制約下で概説する。
論文参考訳（メタデータ） (2026-07-20T23:45:46Z)
Trajectory-Aware Adaptive Inference in Object Detection Models [0.19845233274307664]
我々は,GPSトラジェクトリデータを推論プロセスに組み込むことにより,既存のオブジェクト検出フレームワークを構築した。我々は、動きキューを組み込んだYOLOv8ベースの検出器に早期退避機構を導入する。その結果、この戦略は予測時間と計算コストを大幅に削減しつつ、良好な検出性能を維持していることが示された。
論文参考訳（メタデータ） (2026-05-12T16:04:07Z)
Event-based SLAM Benchmark for High-Speed Maneuvers [68.148886127117]
イベントベースのカメラはバイオインスパイアされたセンサーで、独立して、マイクロ秒の解像度で明るさの変化に非同期に反応する。既存のイベントベースのアプローチは、高速操作による動きのぼかしを緩和することに成功したが、多くの制限に悩まされた。イベントベースの状態推定のためのベンチマークフレームワークであるEvSLAMを導入する。
論文参考訳（メタデータ） (2026-04-27T04:36:41Z)
OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation [55.56490813640669]
VLAモデルは典型的には現在のフレームにのみ作用するが、将来の予測とオブジェクト認識推論は別々の潜在空間でしばしば学習される。本稿では,時間的フォアシークエンスとオブジェクト認識推論を共通化することで,制約に対処するフレームワークOFlowを提案する。提案手法は, 時間的フローマッチングを用いて将来の潜伏者を予測し, 物理的に関係のある手がかりを強調するオブジェクト認識表現に分解する。
論文参考訳（メタデータ） (2026-04-20T06:38:01Z)
BEVPredFormer: Spatio-temporal Attention for BEV Instance Prediction in Autonomous Driving [1.5327485092552822]
本稿では,BEV予測のためのカメラ専用アーキテクチャであるBEVPredFormerを紹介する。注意に基づく時間的処理を使用して、シーンの時間的および空間的理解を改善する。 nuScenesデータセットで評価され、State-Of-The-Artメソッドと同程度か超えた。
論文参考訳（メタデータ） (2026-04-03T09:58:42Z)
F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
非同期推論はロボット操作における主要なパラダイムとして現れている。本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
論文参考訳（メタデータ） (2026-04-02T17:57:15Z)
SHARP: Short-Window Streaming for Accurate and Robust Prediction in Motion Forecasting [53.74101174559609]
本稿では,進化するシーンに特化して焦点をあてた,ストリーミングベースの新たな動き予測フレームワークを提案する。本手法は,入ってくる観測ウィンドウを段階的に処理し,インスタンス対応コンテキストストリーミングを利用して潜時エージェント表現の維持と更新を行う。我々のモデルは,Argoverse 2マルチエージェントベンチマークのストリーミング推論における最先端性能を実現し,遅延を最小限に抑えながら,実世界の展開に適していることを強調した。
論文参考訳（メタデータ） (2026-03-30T06:47:19Z)
T-SiamTPN: Temporal Siamese Transformer Pyramid Networks for Robust and Efficient UAV Tracking [0.9412740745336458]
T-SiamTPNは、時間的モデリングによってSiamTPNアーキテクチャを拡張した、時間的対応のSiameseトラッキングフレームワークである。我々のアプローチは時間的特徴融合と注意に基づく相互作用を取り入れ、時間的一貫性を強化する。ベースラインと比較して、T-SiamTPNは成功率を13.7%、精度を14.7%向上させる。
論文参考訳（メタデータ） (2025-09-16T10:06:28Z)
Efficient Spatial-Temporal Modeling for Real-Time Video Analysis: A Unified Framework for Action Recognition and Object Tracking [0.0]
リアルタイムビデオ分析はコンピュータビジョンにおいて依然として難しい問題である。本稿では,行動認識と物体追跡を同時に行うために,高度な時空間モデリング技術を活用する統合フレームワークを提案する。提案手法は,リアルタイムの推論速度を維持しながら,標準ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2025-07-30T06:49:11Z)
SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文参考訳（メタデータ） (2025-03-25T17:59:57Z)
SCFusion: Real-time Incremental Scene Reconstruction with Semantic Completion [86.77318031029404]
本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
論文参考訳（メタデータ） (2020-10-26T15:31:52Z)

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。