論文の概要: AdaGeoVLN: Selective Geometry Across Representation Depth and Navigation Time for Vision-Language Navigation
- arxiv url: http://arxiv.org/abs/2609.18789v1
- Date: Wed, 16 Sep 2026 15:10:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.862135
- Title: AdaGeoVLN: Selective Geometry Across Representation Depth and Navigation Time for Vision-Language Navigation
- Title（参考訳）: AdaGeoVLN:視覚言語ナビゲーションのための表現深さとナビゲーション時間にまたがる選択幾何学
- Abstract要約: 視覚言語ナビゲーションは、時間とともに空間的理解を維持しながら、言語を視覚的な観察と整合させることを必要とする。
ナビゲーションポリシーは階層全体の中間表現をどのように使うべきかは未解決のままである。
我々は、textbf 深さと textbfnavigation 時間にまたがるこれらの問題に対処するストリーミング VLN フレームワークである Method を導入する。
- 参考スコア（独自算出の注目度）: 11.072178702025132
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language navigation requires aligning language with visual observations while maintaining spatial understanding over time. Geometry foundation models (GFMs) expose intermediate representations throughout their hierarchy, but how navigation policies should use these features and retain historical geometric evidence remains unresolved. We introduce \method{}, a streaming VLN framework that addresses these questions across \textbf{representation depth} and \textbf{navigation time}. Hierarchical GFM--VLM fusion couples earlier, intermediate, and later GFM representations to successive policy stages instead of repeatedly injecting a terminal feature. Navigation-aware GFM memory retains historical VGGT global-attention KV states according to instruction relevance, geometric confidence, and transition novelty under a bounded per-layer budget. Retained states provide geometric context for subsequent observations before fusion with the policy. Across R2R-CE and RxR-CE, \method{} achieves strong performance using a single RGB stream without additional navigation-specific external data. Controlled ablations show that multi-depth coupling substantially outperforms repeated terminal-feature injection at matched fusion locations. Bounded navigation-aware retention preserves navigation performance while considerably reducing GFM-KV memory relative to larger-memory temporal retention. These findings support jointly examining the geometric representations exposed to the policy and the historical evidence retained for future inference. Code will be released upon acceptance at https://humanoid-research.github.io/adageovln/.
- Abstract（参考訳）: 視覚言語ナビゲーションは、時間とともに空間的理解を維持しながら、言語を視覚的な観察と整合させることを必要とする。
幾何基礎モデル(GFM)は、その階層全体を通して中間表現を公開しているが、ナビゲーションポリシーがこれらの特徴をどのように利用し、歴史的幾何学的証拠を保持するべきかは未解決のままである。
ストリーミングVLN フレームワークである \method{} を導入し,これらの質問を \textbf{representation depth} と \textbf{navigation time} にまたがって処理する。
階層的なGFM-VLM融合は、終端的特徴を繰り返し注入するのではなく、初期の、中間的、後のGFM表現を連続した政策段階に結合する。
ナビゲーション対応GFMメモリは、命令関連性、幾何的信頼度、遷移ノベルティに応じて、歴史的VGGTグローバルアテンションKV状態を階層単位の予算で保持する。
残留状態は、ポリシーと融合する前に、その後の観測のために幾何学的文脈を提供する。
R2R-CE と RxR-CE をまたいだ \method{} は、ナビゲーション固有の外部データを追加せずに単一の RGB ストリームを使用して、強力なパフォーマンスを達成する。
制御されたアブレーションにより, 複数深さのカップリングは, 一致した核融合箇所での繰り返し終端注入よりも大幅に優れていた。
境界ナビゲーション対応リテンションは、ナビゲーション性能を保ちながら、より大きなメモリ時間リテンションに対するGFM-KVメモリを大幅に削減する。
これらの知見は、政策に露出した幾何学的表現と、将来の推論のために保持された歴史的証拠を共同で検証することを支援する。
コードはhttps://humanoid-research.github.io/adageovln/で公開される。
関連論文リスト
- LG-VLN: A Zero-Shot Vision-and-Language Navigation Framework with LangGraph State Orchestration [6.925376444211893]
連続環境ビジョン・アンド・ランゲージナビゲーション(VLN-CE)では、目に見えない3D環境で自然言語の指示を解釈する必要がある。
視覚的特徴の共有とLangGraphによる状態オーケストレーションを備えた単眼ゼロショットフレームワークであるLG-VLNを提案する。
オンラインフィードフォワード3D再構成ネットワークは、エージェント目的推定とグローバルマップ融合のための深度、カメラポーズ、高密度点雲を予測する。
論文 参考訳（メタデータ） (2026-09-14T06:23:31Z) - From Semantic Grounding to Decision Optimization: A Unified Framework for Long-Horizon UAV Vision-Language Navigation [40.51712647240084]
UAVビジョン言語ナビゲーション(UAV-VLN)は、空のエージェントがオープンな3D環境で自然言語の指示に従うことを可能にすることに焦点を当てている。
現在のアプローチは、視覚的な観察における命令関連ランドマークの弱い接地、長距離履歴の不十分な活用、局所的なトラップや反復的な探索による不安定な決定の3つの複合的な問題に悩まされている。
これらの問題に対処する統合的意味決定フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T12:59:50Z) - VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation [55.45263611374435]
エージェントが同じシーンで繰り返し操作し、自己獲得経験のみを保持し、モデルパラメータを固定するクロスエポソードオブジェクトゴールナビゲーションを提案する。
経験の再利用を支援するために,永続的階層型ビジュアルトポロジカルメモリ(VTM)を用いたトレーニング不要なVLMナビゲーションフレームワークを提案する。
提案手法は,3つのベンチマークすべてで最高のパフォーマンスを実現し,データセット間の構造化視覚トポロジカルエクスペリエンスの再利用の有効性と堅牢性を示す。
論文 参考訳（メタデータ） (2026-07-16T03:11:37Z) - EvoMemNav: Efficient Self-Evolving Fine-Grained Memory for Zero-Shot Embodied Navigation [81.54723508469617]
EvoMemNavは、ゼロショットエンボディナビゲーションのための効率的で自己進化的できめ細かいメモリフレームワークである。
VSMGraphは、セマンティックキューとトポロジ的関係を持つビューをルームビューオブジェクト階層に整理する。
GOAT-BenchとHM3Dのオブジェクト、テキスト記述、画像ゴールのモダリティによる実験は、SR/SPLにおいて一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-02T11:27:44Z) - GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation [75.85672467847631]
本稿では,3次元のコンパクトな特徴表現であるGeometry-Aware BEV (GA-BEV)を紹介する。
視覚的特徴を3次元空間に投影することで,RGB-D入力からBEV空間マップを構築する。
我々は,BEV空間に事前訓練された3Dファンデーションモデルの特徴を取り入れ,大規模3D再構築作業から学んだ構造的先行を注入する。
論文 参考訳（メタデータ） (2026-05-21T06:20:17Z) - Nav-$R^2$ Dual-Relation Reasoning for Generalizable Open-Vocabulary Object-Goal Navigation [67.68165784193556]
Nav-$R2$は、ターゲット環境モデリングと環境行動計画という2つのタイプの関係を明示的にモデル化するフレームワークである。
我々のSA-Memは、時間的・意味的両面から最も標的に関連し、現在の観測関連の特徴を保っている。
Nav-R2は、合理化され効率的なパイプラインを通して見えないオブジェクトをローカライズする、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-12-02T04:21:02Z) - Mem4Nav: Boosting Vision-and-Language Navigation in Urban Environments with a Hierarchical Spatial-Cognition Long-Short Memory System [9.687946545604492]
大規模都市環境における視覚・言語ナビゲーション (VLN) は、複雑な場面で言語指導を行うための具体的エージェントを必要とする。
階層型空間認識長短メモリシステムである textbfMem4Nav を導入し,任意のVLNバックボーンを拡張できる。
論文 参考訳（メタデータ） (2025-06-24T09:00:43Z) - A Dual Semantic-Aware Recurrent Global-Adaptive Network For
Vision-and-Language Navigation [3.809880620207714]
VLN(Vision-and-Language Navigation)は、エージェントが言語と視覚の手がかりを使用してターゲット領域を特定することを必要とする現実的だが困難なタスクである。
本研究は、上記の問題に対処するため、DSRG(Dual semantic-aware Recurrent Global-Adaptive Network)を提案する。
論文 参考訳（メタデータ） (2023-05-05T15:06:08Z) - Multimodal Transformer with Variable-length Memory for
Vision-and-Language Navigation [79.1669476932147]
VLN(Vision-and-Language Navigation)は、エージェントが目標位置に向かうために言語命令に従う必要があるタスクである。
近年のTransformer-based VLN法は,視覚的観察と言語指導の直接的な結びつきから大きな進歩を遂げている。
視覚的な自然言語ナビゲーションのための可変長メモリ(MTVM)を備えたマルチモーダルトランス (Multimodal Transformer) を提案する。
論文 参考訳（メタデータ） (2021-11-10T16:04:49Z) - 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)
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。