論文の概要: AirAnchor: Bridging Local and Global Spatial Information for Zero-Shot Aerial Vision-and-Language Navigation

• arxiv url: http://arxiv.org/abs/2609.08442v1
• Date: Tue, 08 Sep 2026 08:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.620835
• Title: AirAnchor: Bridging Local and Global Spatial Information for Zero-Shot Aerial Vision-and-Language Navigation
• Title（参考訳）: AirAnchor:ゼロショット航空ビジョン・ランゲージナビゲーションのためのローカル・グローバル空間情報のブリッジ
• Abstract要約: Aerial Vision-and-Language Navigationでは、ドローンが自然言語の指示に従い、複雑な都市環境をナビゲートする必要がある。 本研究では,空間的アンカーを通じて局所的およびグローバルな空間情報をブリッジする新しいパラダイムであるAirAnchorを提案し,その両方を共有ナビゲーションフレームワークに統合する。 AirAnchorは既存のゼロショットベースラインを大幅に上回り、提案したパラダイムの有効性と効率性を検証する。
• 参考スコア（独自算出の注目度）: 12.53394125609704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aerial Vision-and-Language Navigation requires drones to follow natural-language instructions and navigate through complex urban environments. Accurate navigation relies on both local and global spatial information, which support immediate action grounding and long-horizon path planning, respectively. However, existing zero-shot methods typically operate at a single spatial scale, relying either on local representations constructed online from current observations or on global memories built offline from historical experience. To address this limitation, we propose AirAnchor, a new paradigm that bridges local and global spatial information through spatial anchors and integrates both into a shared navigation framework, enabling comprehensive spatial grounding for decision-making. AirAnchor consists of three core components: (1) Query-Driven Spatial Anchor Grounding, which identifies decision-relevant anchors from visual observations and organizes them into local spatial representations; (2) Persistent Object Spatial Memory, which incrementally maintains an object knowledge base as persistent global spatial memory and retrieves landmark-related spatial priors; and (3) a Spatially-Informed Navigation Agent, which explicitly integrates both local and global spatial information into an agentic framework for decision-making. Extensive experiments on AerialVLN demonstrate that AirAnchor substantially outperforms existing zero-shot baselines, validating the effectiveness and efficiency of the proposed paradigm.
• Abstract（参考訳）: Aerial Vision-and-Language Navigationでは、ドローンが自然言語の指示に従い、複雑な都市環境をナビゲートする必要がある。 正確な航法は局所的な空間情報とグローバルな空間情報の両方に依存しており、即時行動接地と長距離経路計画をサポートする。 しかし、既存のゼロショット法は、通常、1つの空間スケールで動作し、現在の観測からオンラインに構築されたローカルな表現に依存するか、歴史的な経験からオフラインで構築されたグローバルな記憶に依存する。 この制限に対処するために,空間アンカーを介して局所的およびグローバルな空間情報をブリッジする新しいパラダイムであるAirAnchorを提案する。 AirAnchorは,(1)視覚的観察から決定関連アンカーを識別し,それらを局所的空間表現に整理するクエリ駆動空間アンカーグラウンド,(2)オブジェクト知識ベースを永続的グローバル空間記憶として漸進的に維持し,ランドスケープに関連した空間先行を検索する永続化オブジェクト空間記憶,(3)局所的空間情報とグローバル的空間情報の両方を意思決定のためのエージェントフレームワークに明示的に統合する空間変換ナビゲーションエージェントの3つのコアコンポーネントから構成される。 AerialVLNの大規模な実験により、AirAnchorは既存のゼロショットベースラインを大幅に上回り、提案したパラダイムの有効性と効率を検証した。

関連論文リスト

• SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
  SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。 このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。 R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
  論文  参考訳（メタデータ） (2026-06-08T03:42:08Z)
• SPAN-Nav: Generalized Spatial Awareness for Versatile Vision-Language Navigation [26.52802135982273]
  SPAN-Navは、エンボディナビゲーションを普遍的な3次元空間認識に注入するエンド・ツー・エンドの基礎モデルである。 SPAN-Navは、占有予測タスクを通じて、多様なシーンにまたがる空間的先行情報を抽出する。 屋内および屋外の両方の場面をカバーする420万の占有アノテーションの大規模なデータセットを提示する。
  論文  参考訳（メタデータ） (2026-03-10T03:59:34Z)
• SpatialNav: Leveraging Spatial Scene Graphs for Zero-Shot Vision-and-Language Navigation [48.17712857341527]
  エージェント中心の空間マップ,コンパス対応の視覚表現,効率的なナビゲーションのためのリモートオブジェクトローカライゼーション戦略を統合したゼロショットビジョン・アンド・ランゲージナビゲーション(VLN)エージェントを提案する。 離散的および連続的な環境での実験では、SpatialNavは既存のゼロショットエージェントを著しく上回り、最先端の学習手法とのギャップをはっきりと狭めている。
  論文  参考訳（メタデータ） (2026-01-11T08:39:19Z)
• From reactive to cognitive: brain-inspired spatial intelligence for embodied agents [50.99942960312313]
  Brain-inspired Space Cognition for Navigation (BSC-Nav) は、エンボディエージェントにおける構造化空間メモリの構築と活用のための統合されたフレームワークである。 BSC-Navは、エゴセントリックな軌跡と文脈的手がかりからアロセントリックな認知マップを構築し、意味的目標に沿った空間的知識を動的に回収する。
  論文  参考訳（メタデータ） (2025-08-24T03:20:48Z)
• Mem2Ego: Empowering Vision-Language Models with Global-to-Ego Memory for Long-Horizon Embodied Navigation [35.71602601385161]
  本稿では,視覚言語モデル(VLM)に基づくナビゲーションフレームワークを提案する。 提案手法は,長期タスクにおける空間的推論と意思決定を促進する。 実験の結果,提案手法は従来のオブジェクトナビゲーションタスクの手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T04:41:40Z)
• 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)
• SIRI: Spatial Relation Induced Network For Spatial Description Resolution [64.38872296406211]
  言語誘導型ローカライゼーションのための新しい関係誘導型ネットワーク(SIRI)を提案する。 提案手法は,80ピクセルの半径で測定した精度で,最先端手法よりも約24%優れていた。 提案手法は,Touchdownと同じ設定で収集した拡張データセットをうまく一般化する。
  論文  参考訳（メタデータ） (2020-10-27T14:04:05Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。