論文の概要: RiverVLN: Phase-Grounded Temporal Vision--Language Navigation for Unmanned Surface Vehicles

• arxiv url: http://arxiv.org/abs/2609.23423v1
• Date: Sun, 20 Sep 2026 07:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.934086
• Title: RiverVLN: Phase-Grounded Temporal Vision--Language Navigation for Unmanned Surface Vehicles
• Title（参考訳）: RiverVLN: 位相周囲の時間視-無人表面車両の航法
• Abstract要約: 連続する河川運動下での長距離UVVLNのための最初のベンチマークであるRiverVLNを紹介する。 PGT-NAVは,USVの位相接地時空間ナビゲーションフレームワークである。
• 参考スコア（独自算出の注目度）: 21.531726614977035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language navigation (VLN) has largely been developed for indoor and terrestrial robots, where language can often be treated as a static goal and motion is approximated by discrete or near-instantaneous actions. These assumptions break down for unmanned surface vehicles (USVs): river navigation requires continuous motion under inertia and limited maneuverability, while long-horizon instructions must be executed through sparse and visually ambiguous maritime landmarks. We introduce RiverVLN, to our knowledge the first benchmark designed for long-horizon USV VLN under continuous riverine motion, and PGT-NAV, a phase-grounded temporal navigation framework for USVs. Rather than directly mapping an entire instruction to motion, PGT-NAV converts it into an ordered sequence of visually verifiable semantic phases and maintains the active phase online through grounded visual and motion evidence. This explicit semantic progress state is fused with visual-motion history and phase-specific grounding to predict six local SE(2) pose increments. The resulting trajectory is executed in a predict-execute-re-observe loop, where the vessel executes toward W3, updates phase and grounding, and replans through a map-based safety layer. Experiments show that PGT-NAV substantially reduces recursive position and heading drift relative to GNM-style and ViNT-style baselines and achieves an average success rate of 0.79 in Unity-ROS closed-loop navigation. Unseen bridge-opening trials and real-world USV experiments further demonstrate that the phase-grounded representation transfers from controlled evaluation to physical USV deployment.
• Abstract（参考訳）: 視覚言語ナビゲーション(VLN)は主に屋内および地上ロボット向けに開発されており、言語は静的な目標として扱われることが多く、動きは離散的あるいはほぼ瞬時行動によって近似される。 これらの仮定は無人表面車両 (USV) に当てはまる: 河川の航行には慣性下での連続的な動きと限られた操縦性が必要であるが、長い水平方向の指示は疎らで視覚的にあいまいな海洋のランドマークを通して実行されなければならない。 本稿では,連続する河川運動下での長距離UVVLNのための最初のベンチマークとなるRiverVLNと,相地時間ナビゲーションフレームワークPGT-NAVを紹介する。 PGT-NAVは、命令全体を動作にマッピングする代わりに、それを視覚的に検証可能なセマンティックフェーズの順序付きシーケンスに変換し、接地された視覚的および運動的エビデンスを通じてオンラインのアクティブフェーズを維持する。 この明示的なセマンティック・プログレス状態は、視覚運動履歴と位相特異的グラウンドとを融合し、6つの局所SE(2)ポーズインクリメントを予測する。 結果の軌道は予測実行再観測ループで実行され、船はW3に向けて実行され、フェーズとグラウンドを更新し、マップベースの安全層を通して再計画される。 実験の結果,PGT-NAV は GNM スタイルや ViNT スタイルのベースラインに対する再帰位置とドリフトを著しく低減し,Unity-ROS 閉ループナビゲーションにおける平均成功率は 0.79 であることがわかった。 橋梁開放試験と実世界のUSV実験により、制御された評価から物理的USV展開への位相接地表現の移動がさらに実証された。

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)
• FSD-VLN: Fast-Slow Dual-System Modeling for Aerial Long-Horizon Vision-Language Navigation [33.92221208368759]
  Vision-Language Navigation (VLN)は、言語命令をリアルタイムの視覚入力にマッピングすることで、未知の環境での自律的なナビゲーションである。 既存の方法は、グローバルマルチモーダル理解とシーケンシャルアクション生成の間の構造的不整合に悩まされている。 FSD-VLNは,セマンティック推論と低高度飛行コマンド生成を混在させる高速なデュアルシステムアーキテクチャである。
  論文  参考訳（メタデータ） (2026-07-09T11:17:04Z)
• DynFly: Dynamic-Aware Continuous Trajectory Generation for UAV Vision-Language Navigation in Urban Environments [55.73595346639892]
  我々は高レベルナビゲーション推論と実行可能なUAV動作を橋渡しするDynFlyを提案する。 DynFlyはB-スプライン制御点空間のエキスパート軌道を表し、Spline-DiTジェネレータを用いて条件付き軌道生成を学習する。 OpenUAV UAV-VLNベンチマークの実験では、DynFlyは航法性能と軌道品質の両方を改善している。
  論文  参考訳（メタデータ） (2026-06-30T13:33:48Z)
• AgenticDiffusion: Agentic Diffusion-based Path Planning for Vision-Based UAV Navigation [2.186077977059593]
  屋内UAVナビゲーションは、視野の限られた観測下での効率的な探索、シーン理解、信頼性の高い軌道実行を必要とする。 本稿では,多視点UAVナビゲーションフレームワークであるAgenticDiffusionを提案する。 このフレームワークは、適応的な視点選択、多段階のミッション実行、長距離ナビゲーション、安全な着陸場所選択を含む4つの現実のUAVナビゲーションシナリオで検証された。
  論文  参考訳（メタデータ） (2026-06-02T18:18:35Z)
• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• HUNT: High-Speed UAV Navigation and Tracking in Unstructured Environments via Instantaneous Relative Frames [50.83645076723809]
  HUNT (High-speed UAV Navigation and Tracking) は、1つの相対的な定式化の中で統合、取得、追跡を行うリアルタイムフレームワークである。 密林、コンテナ化合物、および車両やマネキンによる捜索救助活動の試行は、グローバルな方法が失敗した場合の堅牢な自律性を示している。
  論文  参考訳（メタデータ） (2025-09-23T18:07:10Z)

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。