論文の概要: C$^2$Nav: Compare Before You Commit for Zero-Shot Vision-and-Language Navigation
- arxiv url: http://arxiv.org/abs/2609.15142v1
- Date: Mon, 14 Sep 2026 07:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.149113
- Title: C$^2$Nav: Compare Before You Commit for Zero-Shot Vision-and-Language Navigation
- Title（参考訳）: C$^2$Nav: ゼロショットビジョンとランゲージナビゲーションのコミット前の比較
- Abstract要約: 連続環境(VLN-CE)における視覚言語ナビゲーションは、ナビゲーションループ内に基礎的な視覚言語モデル(VLM)を配置する傾向にある。
VLMはコントローラ構築の代替品を比較するが、幾何学、閾値、アクションサイズ、実行は物理面に残る。
このアイデアをC2Navでインスタンス化します。
- 参考スコア（独自算出の注目度）: 2.662920946452234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot vision-and-language navigation in continuous environments (VLN-CE) increasingly places foundation vision-language models (VLMs) inside the navigation loop. Existing systems commonly request cardinal outputs such as waypoints, pixels, headings, progress values, or absolute arrival decisions, coupling a generative response to geometric magnitude or an irreversible commitment. We study a complementary model-robot interface: the VLM compares controller-constructed alternatives, while geometry, thresholds, action magnitude, and execution remain on the physical side. We instantiate this idea in C2Nav, a training-free framework with three coordinated faculties. Seeing performs ordinal Gaze Election over physically vetted candidate views; Remembering maintains a compact route sketch and compares adjacent instruction-leg hypotheses; and Arriving combines a hesitation ladder, look-back comparison, and revocable walk-back for reliable stopping. On the public OpenNav R2R-CE 100 protocol, C2Nav with Qwen3-VL-8B-Instruct obtains 41.0% OSR, 31.0% SR, and 16.7% SPL, while the same interface with the standard GPT-5.5 model reaches 54.0% OSR, 44.0% SR, and 29.0% SPL. Whole-faculty ablations reduce SR to 14.0% without Seeing, 25.0% without Remembering, and 29.0% without Arriving. Matched role inversions that replace only the comparative answer form with cardinal/absolute questions reduce SR to 12.0%, 28.0%, and 21.0% in the spatial, transition, and terminal slots, respectively. The results indicate that a constrained decision interface and stronger VLM reasoning are complementary rather than interchangeable.
- Abstract（参考訳）: 連続環境(VLN-CE)におけるゼロショット視覚言語ナビゲーションは、ナビゲーションループ内に基礎視覚言語モデル(VLM)を配置する傾向にある。
既存のシステムは一般に、ウェイポイント、ピクセル、先頭、進行値、絶対到着決定などの基数出力を要求し、幾何学的な大きさや不可逆的なコミットメントに生成的応答を結合する。
VLMはコントローラ構築の代替品を比較するが、幾何学、閾値、アクションサイズ、実行は物理面に残る。
このアイデアをC2Navでインスタンス化します。
物理的に精査された候補者の視点で常設のゲイズ選挙を行う; 思い出す; コンパクトなルートのスケッチを維持し、隣接する命令とレグの仮説を比較する; アーリビングは、信頼できる停止を保つために、ためらうはしご、見返りの比較、および取り消し可能なウォークバックを組み合わせる。
パブリックなOpenNav R2R-CE 100プロトコルでは、Qwen3-VL-8B-InstructのC2Navが41.0%のOSR、31.0%のSR、16.7%のSPLを獲得し、標準のGPT-5.5モデルと同じインタフェースは54.0%のOSR、44.0%のSR、29.0%のSPLを獲得した。
オールファクティ・アブレーションは、見ることなくSRを14.0%、思い出すことなく25.0%、収まることなく29.0%に減少させる。
比較回答形式のみを基数/絶対質問に置き換えるマッチングされたロール逆転は、それぞれ、空間、遷移、終端スロットにおいて、SRを12.0%、28.0%、および21.0%に減少させる。
その結果,制約付き決定インタフェースとより強いVLM推論が相補的であることを示唆した。
関連論文リスト
- EgoPathBench: Evaluating Zero-Shot Egocentric Waypoint Decision-Making in Vision-Language Models [16.934625141022405]
ゼロショットのウェイポイントナビゲーションでは、現在の1対1の観察からエージェントに可能な一連の空間的アクションを選択し、目標に到達するために視覚言語モデルが必要である。
EgoPathBenchは1対1のウェイポイント意思決定のためのデータセットと5タスクのベンチマークである。
EgoPathBenchには31,852のトレーニング、1,345のバリデーション、1,111のベンチマーク質問があり、各ルート質問に対して少なくとも1つの幾何学的に検証された参照ルートが保持されている。
論文 参考訳（メタデータ） (2026-09-15T04:14:45Z) - AnchorVLN: Geometry-Anchored Vision-Language Grounding Reasoning for Open-Vocabulary Navigation [1.4023879186833261]
見えない屋内環境における視覚言語ナビゲーション(VLN)は、現実世界のロボット工学において有用である。
本稿では、VLMが意味論を提案し、幾何学がメトリクスを決定するという単純なルールに基づいて構築されたオープン語彙VLNシステムであるAnchorVLNを紹介する。
我々は、CMU Vision-Language Navigation Challenge 2026の2つのタスクをベンチマークする。
論文 参考訳（メタデータ） (2026-09-10T23:32:22Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Plateau-Constrained Selection of Commuting Phase-Term Orderings Under a Fixed Maintained-Parity Compiler Contract [0.19116784879310023]
固定配置下での古典的な2段置換探索と,維持パリティ低下を用いた。
ステージ1は、プライマリサポートの最適性を認定し、ステージ2は、同じコストのツアーをサンプリングし、凍結されたルートスコアで選択する。
論文 参考訳（メタデータ） (2026-08-27T18:22:15Z) - G-PROBE: Cross-FOV Place Recognition and Certainty-Coupled Localization for 3D Point Clouds [7.48167476351547]
学習自由なグローバルローカライゼーションフレームワークであるG-PROBEを提案する。
仮想センサー分解は、狭いFOVセンサーからパノラマまたはマルチセンサーリグまでの構成で、設計上は同じパイプラインを実行する。
G-PROBEは、平均して学習不要なマルチセッションF1に達し、パノラマ単一セッション設定で競合する。
論文 参考訳（メタデータ） (2026-07-07T20:22:44Z) - AnyGoal: Vision-Language Guided Multi-Agent Exploration for Training-Free Lifelong Navigation [2.2935396753701065]
我々は、VLM(Vision-Language Model)をフロンティアベースの探索のコアに配置する、トレーニング不要なマルチロボットアーキテクチャであるAnyGoalを紹介する。
BVMは、VLMスコアの精度重み付けによる更新により、画素単位(mu,2)のゴール関連性を維持している。
4方向の知覚アブレーションは、開語彙検出器が支配的な障害モードを探索からゴール検証にシフトしていることを示している。
論文 参考訳（メタデータ） (2026-06-11T20:07:34Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Striding Across Reynolds Numbers: Representation Geometry in Neural PDE Generalisation [0.5451632647096261]
ニューラルPDE解法におけるクロスレイノルズ一般化は、いまだにあまり特徴づけられていない。
我々は、この仮説を、ソーストレーニングされた畳み込みオートエンコーダ潜在空間の状態と一致するConvAE-Relayを通して検証する。
実験では、整合がマニフォールド上に留まっている場合、ソース・レジームのダイナミックス方向が転送可能である(コサイン類似度0.84)ことが確認された。
論文 参考訳（メタデータ） (2026-05-28T15:49:26Z) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。
本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。
我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
論文 参考訳（メタデータ） (2026-05-12T17:11:17Z) - Are VLMs Lost Between Sky and Space? LinkS$^2$Bench for UAV-Satellite Dynamic Cross-View Spatial Intelligence [107.79496500634691]
LinkS$2$Benchは、ダイナミックUAV映像の1,022分を200km$2$の高解像度衛星画像とリンクする。
LMMを用いたパイプラインと厳密な人間のアノテーションを用いて17.9kの高品質な質問応答ペアを構築した。
評価は、人間のベースラインとはかなりの差を示し、正確なクロスビューのダイナミックアライメントを重要なボトルネックと特定する。
論文 参考訳（メタデータ） (2026-04-02T13:22:57Z) - VisRet: Visualization Improves Knowledge-Intensive Text-to-Image Retrieval [56.12310817934239]
クロスモーダルな埋め込みは概念の袋として振る舞うが、ポーズや視点のような構造的な視覚的関係が不足している。
この制限を緩和するT2I検索のための新しいパラダイムであるVisualize-then-Retrieve (VisRet)を提案する。
VisRetは、T2I検索をテキスト間類似性マッチングとして再キャストする、モーダル間の類似性マッチングとベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2025-05-26T17:59:33Z)
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。