論文の概要: DPed-VLN: A Benchmark for Socially Compliant Vision-and-Language Navigation in Dynamic Pedestrian Environments

• arxiv url: http://arxiv.org/abs/2609.21504v1
• Date: Fri, 18 Sep 2026 08:55:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.938741
• Title: DPed-VLN: A Benchmark for Socially Compliant Vision-and-Language Navigation in Dynamic Pedestrian Environments
• Title（参考訳）: DPed-VLN:動的歩行者環境における社会的に整合な視覚・言語ナビゲーションのためのベンチマーク
• Abstract要約: 視覚・言語ナビゲーション(VLN)は、静的屋内環境で急速に進歩しているが、移動中の歩行者や社会的安全の制約に応えながら、ロボットは言語を接地しなければならない。 動的歩行者用VLNのベンチマークであるDPed-VLNについて述べる。
• 参考スコア（独自算出の注目度）: 31.93479193579768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-and-language navigation (VLN) has advanced rapidly in static indoor environments, but robots operating in human-populated spaces must ground language while responding to moving pedestrians and social-safety constraints. We present DPed-VLN, a Habitat 3.0 benchmark for dynamic-pedestrian VLN that couples 33,093 navigation episodes with paired global and prior-augmented instructions, ORCA-controlled humanoid pedestrians, socially constrained expert paths, and metrics that jointly assess navigation efficiency and social safety. DPed-VLN separates ordinary goal-oriented route guidance from prior-augmented instructions that expose dynamic-pedestrian cues for controlled analysis. To instantiate the benchmark, we introduce DPet (Dynamic Pedestrian-aware Network), a pedestrian-aware policy network trained with reinforcement learning and imitation learning. We further adapt representative state-of-the-art VLM-based navigation models, including NaVILA and StreamVLN, to DPed-VLN through LoRA fine-tuning. Experiments show that LoRA adaptation improves zero-shot VLM baselines in several success and safety metrics, especially reducing StreamVLN's collision rate. Among the evaluated methods, DPet-RL achieves the highest SR, SPL, and STL.
• Abstract（参考訳）: 視覚・言語ナビゲーション(VLN)は、静的屋内環境で急速に進歩してきたが、人間の身近な空間で動くロボットは、移動中の歩行者や社会的安全の制約に反応しながら、言語を接地しなければならない。 動的歩行者VLNのためのHabitat 3.0ベンチマークであるDPed-VLNについて,3,093回のナビゲーションエピソードとペアのグローバルおよび事前拡張命令,ORCAが制御するヒューマノイド歩行者,社会的に制約された専門家パス,ナビゲーション効率と社会安全を共同評価する指標を提示する。 DPed-VLNは、制御解析のために動的ペデストリアンキューを公開する事前拡張命令から通常のゴール指向ルートガイダンスを分離する。 提案するDPet(Dynamic Pedestrian-aware Network, 動的歩行者認識ネットワーク)は, 歩行者を意識した政策ネットワークで, 強化学習と模倣学習を訓練する。 我々はさらに,NaVILAやStreamVLNなどの最先端VLMベースのナビゲーションモデルをLORAファインタニングによりDPed-VLNに適応させる。 実験により、LoRA適応はいくつかの成功と安全性の指標においてゼロショットVLMベースラインを改善し、特にStreamVLNの衝突速度を低下させることが示された。 評価手法のうち,DPet-RLはSR,SPL,STLが最も高い。

関連論文リスト

• Trajectory-Diversity-Driven Robust Vision-and-Language Navigation [39.4949197412916]
  VLN(Vision-and-Language Navigation)は、自然言語の指示に従い、エージェントがフォトリアリスティックな環境をナビゲートする必要がある。 目標指向ナビゲーションポリシを学習する強化学習フレームワークであるNavGRPOを提案する。 ベースラインよりも+14.89%のSPL向上を示し、目標指向のRLトレーニングがより堅牢なナビゲーションポリシーを構築することを確認した。
  論文  参考訳（メタデータ） (2026-03-16T14:46:54Z)
• LISN: Language-Instructed Social Navigation with VLM-based Controller Modulating [47.62872797480247]
  LISN-Benchは,言語指導型ソーシャルナビゲーションのシミュレーションに基づく最初のベンチマークである。 VLMエージェントがコストマップとコントローラパラメータを変調する高速な階層システムであるSocial-Nav-Modulatorを提案する。 本手法は,最も競争力のあるベースラインよりも63%以上高い91.3%の平均成功率を達成する。
  論文  参考訳（メタデータ） (2025-12-10T18:54:30Z)
• HA-VLN 2.0: An Open Benchmark and Leaderboard for Human-Aware Navigation in Discrete and Continuous Environments with Dynamic Multi-Human Interactions [64.69468932145234]
  HA-VLN 2.0は、明示的な社会的認識制約を導入した統一ベンチマークである。 その結果、明示的な社会的モデリングはナビゲーションの堅牢性を向上し、衝突を減らすことが示唆された。
  論文  参考訳（メタデータ） (2025-03-18T13:05:55Z)
• Human-Aware Vision-and-Language Navigation: Bridging Simulation to Reality with Dynamic Human Interactions [69.9980759344628]
  Vision-and-Language Navigation (VLN)は、人間の指示に基づいてナビゲートするエンボディエージェントを開発することを目的としている。 本稿では,人間の動的活動を取り入れ,従来のVLNを拡張したHuman-Aware Vision-and-Language Navigation (HA-VLN)を紹介する。 本稿では, クロスモーダル融合と多種多様なトレーニング戦略を利用して, エキスパート・スーパーモーダル・クロスモーダル (VLN-CM) と非エキスパート・スーパーモーダル・ディシジョン・トランスフォーマー (VLN-DT) のエージェントを提示する。
  論文  参考訳（メタデータ） (2024-06-27T15:01:42Z)
• NavCoT: Boosting LLM-Based Vision-and-Language Navigation via Learning Disentangled Reasoning [97.88246428240872]
  Embodied AIの重要な研究課題であるVision-and-Language Navigation (VLN)は、自然言語の指示に従って複雑な3D環境をナビゲートするために、エンボディエージェントを必要とする。 近年の研究では、ナビゲーションの推論精度と解釈可能性を改善することにより、VLNにおける大きな言語モデル(LLM)の有望な能力を強調している。 本稿では,自己誘導型ナビゲーション決定を実現するために,パラメータ効率の高いドメイン内トレーニングを実現する,Navigational Chain-of-Thought (NavCoT) という新しい戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:27:02Z)

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。