論文の概要: ReVNM: Learning-Based Visual Navigation from a Remote Camera

• arxiv url: http://arxiv.org/abs/2609.28976v1
• Date: Thu, 24 Sep 2026 03:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.696345
• Title: ReVNM: Learning-Based Visual Navigation from a Remote Camera
• Title（参考訳）: ReVNM:遠隔カメラからの学習型ビジュアルナビゲーション
• Abstract要約: 本稿では遠隔視覚ナビゲーションモデル(ReVNM)を提案する。 単一のリモート監視カメラを使用して、視覚ナビゲーションのための観測源と暗黙の環境マップの両方を提供する。 我々のReVNMは、リモートカメラ観測からエゴ中心の深度観測を予測するエクソ中心からエゴ中心(exo2ego)モジュールを備えた最先端のVNMアーキテクチャを拡張しています。
• 参考スコア（独自算出の注目度）: 6.018814584837969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual Navigation Models (VNMs) enable robots to navigate from egocentric visual observations without geometric localization and planning, but long-range navigation still requires pre-built maps. This paper presents the Remote Visual Navigation Model (ReVNM), which uses a single remote surveillance camera to serve as both an observation source and an implicit environmental map for visual navigation. While the use of remote cameras could eliminate the need for pre-built maps as well as onboard vision processing, their limited field of view instead of egocentric observations makes it hard to achieve collision-free navigation. The lack of existing data with diverse remote viewpoints, which are crucial for training robust VNMs, further complicates the challenge. In this work, we propose a learning-by-synthesis approach to address this two-fold challenge. Our ReVNM extends a state-of-the-art VNM architecture with an exocentric-to-egocentric (exo2ego) module that predicts an egocentric depth observation from remote-camera observations. This helps the VNM to plan a path while considering obstacles in front of the robot. Trained only on randomly generated worlds with diverse obstacle layouts and camera viewpoints, ReVNM can generalize well to real robot navigation without additional fine-tuning. Experiments in both simulation and real-world environments confirmed the effectiveness of the proposed approach.
• Abstract（参考訳）: 視覚ナビゲーションモデル(VNM)は、幾何学的な位置決めや計画なしに、ロボットが自我中心の視覚観測からナビゲートすることができるが、長距離ナビゲーションには事前に構築された地図が必要である。 本稿では、遠隔監視カメラを1台使用して、視覚ナビゲーションのための観測源および暗黙の環境マップとして機能させるリモートビジュアルナビゲーションモデル(ReVNM)を提案する。 リモートカメラを使用することで、事前に構築された地図や、搭載された視覚処理の必要性がなくなる可能性があるが、自我中心の観測ではなく視野の限られたため、衝突のないナビゲーションは困難である。 多様なリモート視点を持つ既存のデータの欠如は、堅牢なVNMのトレーニングに不可欠であり、この課題をさらに複雑にしている。 本研究では,この2つの課題に対処する学習・合成手法を提案する。 我々のReVNMは、リモートカメラ観測からエゴ中心の深度観測を予測するエゴ中心からエゴ中心(exo2ego)モジュールを備えた最先端のVNMアーキテクチャを拡張しています。 これにより、VNMはロボットの前で障害物を考慮しながら経路を計画するのに役立つ。 ReVNMは、さまざまな障害物レイアウトとカメラ視点を持つランダムに生成された世界にのみトレーニングされており、さらに微調整をすることなく、実際のロボットナビゲーションにうまく応用することができる。 シミュレーションと実環境の両方の実験により,提案手法の有効性が確認された。

関連論文リスト

• AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
  視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。 無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。 本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
  論文  参考訳（メタデータ） (2026-02-10T11:08:07Z)
• Navigation World Models [68.58459393846461]
  本稿では,過去の観測とナビゲーション行動に基づいて,将来の視覚観測を予測できる制御可能な映像生成モデルを提案する。 慣れ親しんだ環境では、NWMはナビゲーションの軌道をシミュレートし、目的を達成するかどうかを評価することで計画することができる。 実験は、スクラッチからの軌道計画や、外部ポリシーからサンプリングされた軌道のランク付けにおいて、その効果を実証する。
  論文  参考訳（メタデータ） (2024-12-04T18:59:45Z)
• NaVid: Video-based VLM Plans the Next Step for Vision-and-Language Navigation [23.72290930234063]
  NaVidは、ヴィジュアル・アンド・ランゲージナビゲーションのためのビデオベースの大型視覚言語モデル(VLM)である。 NaVidはシミュレーション環境と現実世界で最先端のパフォーマンスを実現し、優れたクロスデータセットとSim2Real転送を実現している。
  論文  参考訳（メタデータ） (2024-02-24T16:39:16Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)

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。