論文の概要: Language-Grounded Semantic Target Navigation for Autonomous Surface Vehicles
- arxiv url: http://arxiv.org/abs/2609.14558v1
- Date: Sun, 13 Sep 2026 14:45:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.851556
- Title: Language-Grounded Semantic Target Navigation for Autonomous Surface Vehicles
- Title（参考訳）: 自動表面車両のための言語周囲のセマンティックターゲットナビゲーション
- Abstract要約: 本研究では,オペレータが提供する記述からASVが海洋目標を識別し,アプローチすることを可能にするフレームワークを提案する。
SGNavはテキスト誘導型セマンティックグラウンド、港認識型候補フィルタリング、CLIPベースのセマンティック検証、ターゲット制御状態構築を統合している。
実験の結果、SGNavは9,7.0pm1.2%$、92.0pm1.5%$、90.0pm1.8%$という3つの目標達成タスクで成功率を達成した。
- 参考スコア（独自算出の注目度）: 3.437656066916039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous Surface Vehicles (ASVs) are increasingly expected to operate in ports and harbour environments, where operators may specify navigation targets through language-based descriptions rather than predefined coordinates or fixed target identifiers. However, existing ASV navigation methods mainly execute predefined geometric goals or task-specific objectives and give limited attention to language-grounded target specification. This study proposes Semantically Grounded Navigation (SGNav), a framework that enables an ASV to identify and approach a maritime target from an operator-provided description. SGNav integrates text-guided semantic grounding, harbour-aware candidate filtering, CLIP-based semantic verification, grounded target control-state construction, and Proximal Policy Optimisation-based closed-loop control. It grounds the target description in onboard RGB observations, suppresses visually or semantically irrelevant distractors, and converts the selected target into a compact control-oriented representation for policy execution. Experiments in simulated port environments show that SGNav achieves success rates of $97.0\pm1.2\%$, $92.0\pm1.5\%$, and $90.0\pm1.8\%$ across three representative target-reaching tasks, with semantic target accuracy above $97\%$ and wrong-target rates below $3\%$. SGNav also maintains $97.7$--$98.7\%$ success rates across held-out port layouts. In the Task~3 ablation study, removing harbour-aware filtering or semantic consistency reduces the success rate to $40.4\pm2.6\%$ and $50.4\pm3.1\%$, respectively. These findings demonstrate the importance of semantic grounding, harbour-aware filtering, and semantic verification for reliable language-grounded ASV navigation. These results indicate that the proposed perception-to-control framework can support language-grounded target approach manoeuvres of ASV under the complex port environments.
- Abstract（参考訳）: オートマチック・サーフェス・ビークル(ASV)は、事前に定義された座標や固定されたターゲット識別子ではなく、言語に基づく記述を通じてナビゲーションターゲットを指定できる港や港環境での運用がますます期待されている。
しかし、既存のASVナビゲーション手法は、主に事前に定義された幾何学的目標やタスク固有の目的を実行し、言語に基づくターゲット仕様に限定的に注意を向ける。
本研究では,操作者が提供する記述からASVが海洋目標を識別し,接近することを可能にするフレームワークであるセマンティックグラウンドドナビゲーション(SGNav)を提案する。
SGNavはテキスト誘導型セマンティックグラウンド、港認識型候補フィルタリング、CLIPベースのセマンティック検証、グラウンドド・ターゲット制御状態構築、およびプロキシ・ポリシー・オプティマイゼーションに基づくクローズドループ制御を統合している。
RGB 上での目標記述を基盤とし、視覚的あるいは意味的に無関係な注意を抑え、選択したターゲットをポリシー実行のためのコンパクトな制御指向の表現に変換する。
シミュレーションポート環境での実験では、SGNavは3つの代表的な目標達成タスクに対して、97.0\pm1.2\%$、92.0\pm1.5\%$、90.0\pm1.8\%$の成功率を達成している。
SGNavはまた、ホールドアウトされたポートレイアウト間の成功率を97.7$--98.7\%に維持している。
Task~3 ablation研究では、港を意識したフィルタリングやセマンティック一貫性を取り除くことで、成功率をそれぞれ40.4\pm2.6\%$と50.4\pm3.1\%$に下げる。
これらの結果から, セマンティックグラウンド, 港認識フィルタリング, セマンティック検証の重要性が示唆された。
これらの結果から,複雑なポート環境下でのASVの言語的ターゲットアプローチ操作を支援することが示唆された。
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) - Offline Vision-Language Navigation with Geometric Goal Localization for Outdoor Environments [0.0]
ファンデーションモデルに基づく視覚言語ナビゲーション(VLN)は、ロボットが自然言語の指示を解釈できるようにすることにより、高度な自律型ロボットナビゲーションを提供する。
既存のVLNシステムは、言語理解とセマンティックグラウンドリングのために、クラウドでホストされた基礎モデルに大きく依存している。
本稿では,屋外環境における完全搭載VLNへの3つの貢献について述べる。
論文 参考訳（メタデータ） (2026-07-24T11:49:25Z) - Instance-Enriched Semantic Maps for Visual Language Navigation [9.24074870738429]
Visual Language Navigationは、インボディードエージェントが自然言語命令に従うことで複雑な環境をナビゲートできるようにすることを目的としている。
既存のシステムは、複雑な屋内環境での信頼性の高いナビゲーションを制限し、多様なユーザクエリに対して、インスタンスレベルのオブジェクトの詳細と堅牢性を欠いている。
本稿では,3つの重要なコントリビューションを持つ統合フレームワークであるインスタンス拡張セマンティックマップを提案する。
論文 参考訳（メタデータ） (2026-07-14T11:09:48Z) - GoalVLM: VLM-driven Object Goal Navigation for Multi-Agent System [0.0]
ゼロショットでオープンなオブジェクトナビゲーションのための協調型マルチエージェントフレームワークであるGoalVLMを提案する。
GoalVLMは、VLM(Vision-Language Model)を直接決定ループに統合し、SAM3はテキストプロンプト検出とセグメンテーション、SpaceOMは空間推論を行う。
GOAT-Bench val_unseenにおけるGoalVLMの評価を行った。
論文 参考訳（メタデータ） (2026-03-18T18:59:33Z) - P$^{3}$Nav: End-to-End Perception, Prediction and Planning for Vision-and-Language Navigation [13.099221563885806]
Vision-and-Language Navigation (VLN)では、エージェントが言語命令によって指定されたターゲットへのパスを計画する必要がある。
P$3$Navは、知覚、予測、計画を統合する新しいエンドツーエンドフレームワークである。
私たちのP$3$Navは、REVERIE、R2R-CE、RxR-CEベンチマーク上で、最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2026-03-18T08:04:53Z) - OpenFrontier: General Navigation with Visual-Language Grounded Frontiers [54.661157616245966]
オープンワールドナビゲーションでは、複雑な日常環境においてロボットが意思決定を行う必要がある。
近年の視覚-言語ナビゲーション(VLN)と視覚-言語-アクション(VLA)モデルは、自然言語で条件付けられたエンドツーエンドのポリシーを実現する。
多様な視覚をシームレスに統合するトレーニングフリーナビゲーションフレームワークであるOpenFrontierを提案する。
論文 参考訳（メタデータ） (2026-03-05T17:02:22Z) - ReasonNavi: Human-Inspired Global Map Reasoning for Zero-Shot Embodied Navigation [53.95797153529148]
身体的エージェントは、主に部分的な自我中心の観測に依存するため、効率的なナビゲーションに苦しむことが多い。
本稿では,マルチモーダル大規模言語モデル(MLLM)と決定論的プランナを結合することにより,この理由に基づくパラダイムを運用する,人間にインスパイアされたフレームワークであるReasonNaviを紹介する。
論文 参考訳（メタデータ） (2026-01-26T19:09:20Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - GOAT-Bench: A Benchmark for Multi-Modal Lifelong Navigation [65.71524410114797]
GOAT-BenchはユニバーサルナビゲーションタスクGO to AnyThing(GOAT)のベンチマークである。
GOATでは、エージェントはカテゴリ名、言語記述、イメージによって指定されたターゲットのシーケンスにナビゲートするように指示される。
我々はGOATタスク上でモノリシックなRLおよびモジュラーメソッドをベンチマークし、その性能をモダリティにわたって分析する。
論文 参考訳（メタデータ） (2024-04-09T20:40:00Z) - GaussNav: Gaussian Splatting for Visual Navigation [92.13664084464514]
インスタンスイメージゴールナビゲーション(IIN)では、エージェントが探索されていない環境で、目標画像に描かれた特定のオブジェクトを見つける必要がある。
視覚ナビゲーションのためのガウススティング(GaussNav)であるIINの新しいフレームワークを提案し、3次元ガウススティング(DGS)に基づく新しい地図表現を構築した。
当社のGaussNavフレームワークは,Habitat-Matterport 3D(HM3D)データセットにおいて,SPL(Path Length)によるSuccessの重み付けを0.347から0.578に増加させ,大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2024-03-18T09:56:48Z) - TAS: A Transit-Aware Strategy for Embodied Navigation with Non-Stationary Targets [55.09248760290918]
非定常目標を持つ動的シナリオにおけるナビゲーションのための新しいアルゴリズムを提案する。
我々の新しいTAS(Transit-Aware Strategy)は、具体化されたナビゲーションポリシーをオブジェクトパス情報で強化する。
TASは、ターゲットルートとルートを同期させるエージェントを報酬することで、非定常環境での性能を改善する。
論文 参考訳（メタデータ） (2024-03-14T22:33:22Z) - Predicting Dense and Context-aware Cost Maps for Semantic Robot
Navigation [35.45993685414002]
本研究では,対象がセマンティックラベルで指定された未知環境における目標ナビゲーションの課題について検討する。
本稿では,意味的コンテキストを暗黙的に含む高コストマップを予測するために,ディープニューラルネットワークアーキテクチャとロス関数を提案する。
また、コストマップ予測のためのセマンティックなヒントを提供するために、アーキテクチャに中間レベルの視覚表現を融合する新しい方法を提案する。
論文 参考訳（メタデータ） (2022-10-17T11:43:19Z)
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。