論文の概要: TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model
- arxiv url: http://arxiv.org/abs/2609.09158v1
- Date: Tue, 08 Sep 2026 17:59:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.729424
- Title: TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model
- Title（参考訳）: TANGO:全体視覚言語モデルを用いたクラッタ環境におけるヒューマノイドナビゲーション
- Abstract要約: 人型ロボットを用いて, 乱雑な室内環境をナビゲートする問題について検討した。
本稿では,最初の全身視覚言語ナビゲーションフレームワークであるTANGOを紹介する。
シミュレーション実験では、タンゴは視覚言語ナビゲーションにおける最先端の性能を実証した。
- 参考スコア（独自算出の注目度）: 49.03909082056646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of navigating cluttered indoor environments with a humanoid robot. Unlike conventional methods that model navigation as a 2D path planning problem, humanoid traversal in cluttered environments requires continuous geometry-aware whole-body adaptation, including coordinated arm placement, torso adjustment, and gait modulation for collision-free movement through complex 3D spaces. We introduce TANGO, the first whole-body vision-language navigation framework for language-conditioned humanoid traversal in cluttered environments. Given a natural-language instruction and egocentric RGB observations, TANGO directly predicts 29-DoF joint-space actions for downstream whole-body control. We train TANGO entirely in simulation by synthesizing diverse collision-free traversal behaviors via global path planning, kinematic whole-body motion generation, obstacle-aware motion editing, and RL-based tracking. This pipeline provides dynamically feasible action supervision for learning language-conditioned whole-body policies. In extensive simulation experiments, TANGO demonstrates state-of-the-art performance in vision-language navigation, while outperforming strong modular baselines in navigating challenging scenes requiring obstacle negotiation. Lastly, we deploy TANGO zero-shot on a Unitree G1 humanoid robot, and observe robust language-guided traversal in cluttered real-world scenes without training on any real-world navigation data.
- Abstract（参考訳）: 人型ロボットを用いて, 乱雑な室内環境をナビゲートする問題について検討した。
2次元経路計画問題としてナビゲーションをモデル化する従来の手法とは異なり、乱れた環境でのヒューマノイドトラバーサルは、複雑な3次元空間を通しての衝突のない移動のための、協調した腕の配置、胴体調整、歩行変調を含む、連続的な幾何学的な全身適応を必要とする。
乱雑な環境での言語条件付きヒューマノイドトラバーサルのための、初めての全身視覚言語ナビゲーションフレームワークであるTANGOを紹介した。
自然言語の指示と自我中心のRGB観測により、TANGOは、下流全体の制御のための29-DoF結合空間アクションを直接予測する。
我々は,グローバルパス計画,キネマティックな全身運動生成,障害物認識運動編集,およびRLに基づくトラッキングを通じて,多種多様な衝突のない走行挙動を合成することにより,TANGOを完全にシミュレーションで訓練する。
このパイプラインは、言語条件の全体ポリシーを学習するための動的に実行可能なアクション監視を提供する。
広範にわたるシミュレーション実験では、タンゴは視覚言語ナビゲーションにおける最先端のパフォーマンスを実証する一方で、障害物交渉を必要とする困難なシーンをナビゲートする上で、強力なモジュラーベースラインを上回っている。
最後に、我々は、Unitree G1ヒューマノイドロボットにTANGOゼロショットを配置し、現実世界のナビゲーションデータをトレーニングすることなく、散らばった現実世界のシーンで堅牢な言語誘導トラバースを観察する。
関連論文リスト
- EgoHTR: Egocentric 4D Demonstrations of Human Terrain Traversal [63.906929035961134]
我々は,55のシーンアラインな4次元人間の動作シーケンスを,多様な複雑な環境下で収集する再構築パイプラインをオープンソースとして公開した。
得られたデータセットは150k以上のフレームから構成される。
私たちのパイプラインは、コミュニティ主導のデータセット拡張を可能にし、研究者がコンテキスト認識ロボットを構築するのに役立つ問題を要因にします。
論文 参考訳（メタデータ） (2026-07-15T06:02:41Z) - VLK: Learning Humanoid Loco-Manipulation from Synthetic Interactions in Reconstructed Scenes [71.14444761145435]
知覚に基づくヒューマノイド・ロコ・マニピュレーションは、自我中心の観察とタスク・インストラクションを全身の動きに結びつける必要がある。
既存のデータソースがこれを完全に提供するものはありません。
このボトルネックに対処するために、再構成シーンで視覚・言語・運動学を総合的に指導する手法を提案する。
論文 参考訳（メタデータ） (2026-06-29T17:59:55Z) - 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) - VENTURA: Adapting Image Diffusion Models for Unified Task Conditioned Navigation [15.811034169990423]
VENTURAは、インターネットに制約された画像拡散モデルを微調整して経路計画を行う視覚制御ナビゲーションシステムである。
軽量な行動閉鎖ポリシーは、これらの視覚計画を実行可能な軌道に置き、自然言語の指示に従うインターフェースを生成する。
大規模な実世界の評価において、VENTURAは、オブジェクト到達、障害物回避、地形優先タスクに基づく最先端の基盤モデルよりも優れている。
論文 参考訳（メタデータ） (2025-10-01T19:21:28Z) - HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。
我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。
この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
論文 参考訳（メタデータ） (2025-06-02T12:08:08Z) - Ground-level Viewpoint Vision-and-Language Navigation in Continuous Environments [10.953629652228024]
VLN(Vision-and-Language Navigation)エージェントは、時系列の視覚観察とそれに対応する指示を関連付け、意思決定を行う。
本稿では,人間中心の指示と低地視野の四足歩行ロボットとのミスマッチに対処する。
この問題を軽減するために,地上レベルの視点ナビゲーション(GVNav)手法を提案する。
論文 参考訳（メタデータ） (2025-02-26T10:30:40Z) - AdaVLN: Towards Visual Language Navigation in Continuous Indoor Environments with Moving Humans [2.940962519388297]
適応視覚言語ナビゲーション(Adaptive Visual Language Navigation, AdaVLN)と呼ばれるタスクの拡張を提案する。
AdaVLNは、人間の障害物が動的に動く複雑な3D屋内環境をナビゲートするロボットを必要とする。
本稿では,この課題をベースラインモデルとして評価し,AdaVLNが導入したユニークな課題を分析し,VLN研究におけるシミュレートと現実のギャップを埋める可能性を示す。
論文 参考訳（メタデータ） (2024-11-27T17:36:08Z) - Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。
私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。
学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
論文 参考訳（メタデータ） (2020-03-20T16:13:47Z)
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。