論文の概要: Visual Navigation Transformer with Pose Attention

• arxiv url: http://arxiv.org/abs/2609.21212v1
• Date: Fri, 18 Sep 2026 01:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.822295
• Title: Visual Navigation Transformer with Pose Attention
• Title（参考訳）: ポスアテンション付きビジュアルナビゲーショントランス
• Abstract要約: 本稿では,VNT-PA(Visual Navigation Transformer with Pose Attention)を提案する。 VNT-PAは、地上のシーンメッシュ上で動作している最短パスプランナーを模倣するように訓練されており、現在のポーズとゴール位置のみで空間コンテキストをクエリすることでアクションを予測する。
• 参考スコア（独自算出の注目度）: 71.30300395578378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned navigation policies typically consume observations as a temporally ordered history, with positional encodings tying each observation to when it was seen, making it difficult to reuse experience from earlier traversals of an environment. Systems that do reuse such experience usually construct an explicit representation, such as a map or a topological graph, and plan on it. We propose VNT-PA (Visual Navigation Transformer with Pose Attention), a transformer planner whose context is a set of depth keyframes indexed by camera pose. With camera poses as positional encoding, attention depends on the pose differences between keyframes rather than on their temporal order. VNT-PA is trained to imitate a shortest-path planner operating on the ground-truth scene mesh, predicting actions by querying the spatial context with only its current pose and the goal position. On point-goal navigation in HM3D validation scenes, VNT-PA reaches 93.3% success and 90.4% success weighted by path length (SPL), outperforming baselines that encode the same context as a temporal sequence or treat pose as an input feature, in both navigation performance and training efficiency. Because the spatial context is a pose-indexed set, frames from different trajectories can be fused at test time. The planner also degrades more gracefully under localization noise than a conventional baseline which plans on explicit maps. These results show that pose-stamped experience can serve directly as the environment representation for a learned planner, and that making attention depend on pose differences, rather than on temporal order, speeds up training and improves long-horizon navigation.
• Abstract（参考訳）: 学習されたナビゲーションポリシーは一般的に、観測を時間的に順序づけられた履歴として消費し、各観測をその観測時に結び付ける位置エンコーディングによって、環境の初期のトラバーサルからの経験を再利用することは困難である。 このような経験を再利用するシステムは、通常、地図や位相グラフのような明示的な表現を構築し、それを計画する。 本稿では,VNT-PA(Visual Navigation Transformer with Pose Attention)を提案する。 カメラのポーズを位置符号化として使う場合、注意は時間順ではなく、キーフレーム間のポーズの違いに依存する。 VNT-PAは、地上のシーンメッシュ上で動作している最短パスプランナーを模倣するように訓練されており、現在のポーズとゴール位置のみで空間コンテキストをクエリすることでアクションを予測する。 HM3Dバリデーションシーンにおけるポイントゴールナビゲーションでは、VNT-PAは93.3%成功し、パス長(SPL)で重み付けされた90.4%成功し、ナビゲーション性能とトレーニング効率の両方において、時間的シーケンスやポーズを入力特徴としてエンコードするベースラインを上回っている。 空間コンテキストはポーズインデクシングされた集合であるため、異なる軌道からのフレームはテスト時に融合することができる。 プランナーはまた、明示的なマップを計画する従来のベースラインよりも、ローカライゼーションノイズの下で優雅に分解する。 これらの結果から,学習プランナーの環境表現として,ポーズスタンプ体験が直接機能し,時間的順序よりもポーズの違いに注意を向けることによって,トレーニングのスピードアップと長距離ナビゲーションの改善が期待できることがわかった。

関連論文リスト

• FreqNav: Stage-Wise Frequency Routing for Object-Oriented Aerial Vision-Language Navigation [20.62861089679206]
  長距離航法のための軽量適応認識フレームワークを提案する。 FreqNavは、現在のナビゲーションステージに従って、周波数コンポーネント間で視覚トークンを動的に再配置する。 実験によると、FreqNavは強いベースラインを上回り、およそ3倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2026-08-02T03:49:54Z)
• LongFly: Long-Horizon UAV Vision-and-Language Navigation with Spatiotemporal Context Integration [49.676794850174325]
  LongFlyは、長距離UAV VLNのための履歴認識時間モデリングフレームワークである。 断片化され、冗長な履歴データを構造化され、コンパクトで表現力のある表現に変換する。 最先端のUAV VLNベースラインを7.89%、成功率6.33%で上回っている。
  論文  参考訳（メタデータ） (2025-12-26T12:09:40Z)
• Building temporally coherent 3D maps with VGGT for memory-efficient Semantic SLAM [0.13048920509133805]
  本稿では,VGGT(Vision Gated Generative Transformers)に基づくリアルタイムシーン理解フレームワークを提案する。 提案するパイプラインは、アシストナビゲーションを含むアプリケーションをサポートする、効率的でリアルタイムに近いパフォーマンスを実現するように設計されている。
  論文  参考訳（メタデータ） (2025-11-20T12:03:28Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Augmented Transformer with Adaptive Graph for Temporal Action Proposal Generation [79.98992138865042]
  TAPGの長期的および局所的時間的コンテキストを利用するための適応グラフネットワーク(ATAG)を備えた拡張トランスを提案する。 具体的には、スニペット動作損失と前部ブロックを装着し、拡張トランスと呼ばれるバニラトランスを強化する。 位置情報と隣接特徴の差異をマイニングすることで局所時間文脈を構築するための適応型グラフ畳み込みネットワーク(gcn)を提案する。
  論文  参考訳（メタデータ） (2021-03-30T02:01:03Z)
• 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。