論文の概要: Towards Embodied Air-Ground Cooperative Object Search: Benchmark, Dataset and Agentic Method

• arxiv url: http://arxiv.org/abs/2609.08402v1
• Date: Tue, 08 Sep 2026 08:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.614967
• Title: Towards Embodied Air-Ground Cooperative Object Search: Benchmark, Dataset and Agentic Method
• Title（参考訳）: 空域協調物体探索に向けて:ベンチマーク,データセット,エージェント手法
• Abstract要約: 本稿では,VLM(General-purpose Vision-Language Models)が空中発見と地上レベルの検証を統合できるかどうかを評価する最初のベンチマークであるAGOS-Benchを紹介する。 我々は、AGOSタスクに対処するために、トレーニング不要でツール拡張されたアプローチであるAGOS-Agentを提案する。
• 参考スコア（独自算出の注目度）: 7.44508730769856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air-Ground Object Search (AGOS) in urban environments is a challenging embodied task, which requires an Unmanned Aerial Vehicle (UAV) and an Unmanned Ground Vehicle (UGV) to jointly search for and verify a specified target vehicle from multi-view visual references. To study this underexplored problem, we introduce AGOS-Bench, the first dedicated benchmark for evaluating whether general-purpose Vision-Language Models (VLMs) can integrate aerial discoveries and ground-level verification through UAV-UGV cooperation. We further provide AGOS-Dataset as the companion resource of exemplary trajectories constructed by an automatic pipeline. It consists of 7.7k episodes for searching objects of diverse categories and attributes, spanning three difficulty levels. To address the AGOS task, we propose AGOS-Agent, a training-free and tool-augmented approach. The agentic method relieves VLMs from complex and dynamic coordination via a deliberate search-handoff-verify cooperation protocol, only demanding VLMs for scene understanding and decision-making. Extensive experiments on nine VLMs show that AGOS-Agent improves overall success rate for eight of the nine evaluated backbones while reducing decision steps for all nine. On the hard split, the SR and SPL of Gemini-3.6-Flash increase from 8.6% to 55.7% and from 7.6% to 44.0%, respectively.
• Abstract（参考訳）: 都市環境におけるAOS(Air-Ground Object Search)は、無人航空機(Unmanned Aerial Vehicle, UAV)と無人地上車両(Unmanned Ground Vehicle, UGV)が、複数視点の視覚的参照から特定の目標車両を共同で探索し検証することを必要とする、難易度の高い実施課題である。 この未探索問題を研究するため,UAV-UGV協力を通じて,汎用視覚言語モデル(VLM)が空中発見と地上レベルの検証を統合できるかどうかを評価するための,最初の専用ベンチマークであるAGOS-Benchを紹介した。 さらに,自動パイプラインで構築した模範軌道の補助資源として AGOS-Dataset を提供する。 様々なカテゴリーや属性を検索するための7.7kエピソードで構成され、難易度は3つある。 AGOSタスクに対処するために、トレーニング不要でツール拡張されたアプローチであるAGOS-Agentを提案する。 エージェント手法により,VLMの複雑な協調や動的協調を,シーン理解と意思決定のためにのみ要求する,意図的な検索と検証の協調プロトコルによって緩和する。 9個のVLMにおいて,AGOS-Agentは9つの評価バックボーンのうち8つの総合的な成功率を改善し,9つの決定ステップを減らした。 ハード分割では、ジェミニ-3.6-FlashのSRとSPLは8.6%から55.7%に増加し、それぞれ7.6%から44.0%に増加した。

関連論文リスト

• Advancing MLLM-based UAV Image Understanding and Reasoning: A Benchmark and a Training-Free Multi-Agent System [21.596261657771]
  UAV-MAS(UAV-MAS)は、MLLMをベースとしたUAV空中画像の理解と推論のための訓練用マルチエージェントシステムである。 UAVQA-Benchでは77.0%の精度でGemini 3 Proを4.0%上回り、8Bはベースモデルよりも8.7%改善している。
  論文  参考訳（メタデータ） (2026-08-12T07:25:32Z)
• MultiUAV-Plat: An LLM-Oriented Platform, Benchmark and Framework for Multi-UAV Collaborative Task Planning [4.712457848623237]
  大規模言語モデル(LLM)は、ハイレベルなロボットタスク計画のための有望なインターフェースを提供する。 既存のUAVシミュレータは主に力学、知覚、低レベル制御に重点を置いている。 既存のLLMエージェントは、部分観測性のような空中ロボティクスの制約をほとんど捉えない。 マルチUAVタスク計画のための軽量で使いやすいシミュレーションプラットフォームであるMultiUAV-Platを提案する。
  論文  参考訳（メタデータ） (2026-06-30T03:02:12Z)
• SpatialUAV: Benchmarking Spatial Intelligence for Low-Altitude UAV Perception, Collaboration, and Motion [76.8430169655641]
  空間知能は、低高度無人航空機(UAV)の認識、協調、航行に不可欠である。 本研究では,実際の低高度UAVベンチマークであるSpatialUAVを紹介した。 現状のモデルは, クロスビュー・アソシエーション, 構造的グラウンドリング, 幾何学的推論, 時間的視点理解において, 明らかなボトルネックを伴って, 人間のレベル・パフォーマンスから遠ざかっていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T09:16:55Z)
• AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
  UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。 我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。 また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
  論文  参考訳（メタデータ） (2025-11-26T04:44:27Z)
• Agentic UAVs: LLM-Driven Autonomy with Integrated Tool-Calling and Cognitive Reasoning [3.4643961367503575]
  既存のUAVフレームワークには、コンテキスト対応の推論、自律的な意思決定、エコシステムレベルの統合が欠けている。 本稿では,5層アーキテクチャであるエージェントUAVフレームワークを紹介する(知覚,推論,アクション,統合,学習)。 ROS2 と Gazebo ベースのプロトタイプは YOLOv11 オブジェクト検出と GPT-4 推論とローカル Gemma-3 デプロイメントを統合している。
  論文  参考訳（メタデータ） (2025-09-14T08:46:40Z)
• Towards Autonomous UAV Visual Object Search in City Space: Benchmark and Agentic Methodology [26.90429412601702]
  都市オブジェクトの自律検索のための最初のベンチマークデータセットであるCityAVOSを紹介する。 このデータセットは、6つのオブジェクトカテゴリにまたがる2,420のタスクで構成され、難易度は様々である。 また,人間の3層認知を模倣したマルチモーダルな大規模言語モデル(MLLM)を用いたエージェント手法であるRPPSearcherを提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:34:54Z)
• Improving Zero-Shot ObjectNav with Generative Communication [60.84730028539513]
  ゼロショットObjectNavの改良手法を提案する。 私たちのアプローチは、接地エージェントが制限され、時には障害のあるビューを持つ可能性があることを考慮に入れています。
  論文  参考訳（メタデータ） (2024-08-03T22:55:26Z)
• Coordinate-Aligned Multi-Camera Collaboration for Active Multi-Object Tracking [114.16306938870055]
  AMOTのための座標整列型マルチカメラ協調システムを提案する。 提案手法では,各カメラをエージェントとみなし,マルチエージェント強化学習ソリューションを用いてAMOTに対処する。 本システムでは,ベースライン法を8.9%上回る71.88%のカバレッジを実現している。
  論文  参考訳（メタデータ） (2022-02-22T13:28:40Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)

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。