論文の概要: NavGen: Visual Generative Models as a Scalable Data Engine for Embodied 3D Navigation

• arxiv url: http://arxiv.org/abs/2609.30770v1
• Date: Fri, 25 Sep 2026 03:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.223561
• Title: NavGen: Visual Generative Models as a Scalable Data Engine for Embodied 3D Navigation
• Title（参考訳）: NavGen: 3Dナビゲーションのためのスケーラブルなデータエンジンとしてのビジュアル生成モデル
• Abstract要約: 多様な視覚言語ナビゲーションエピソードを生成するテキスト・ビデオデータ生成パイプラインであるNavGenを紹介する。 また,収集が困難かつコストのかかる長テールデータをスケールアップするスタイル多様化手法を提案する。 結果のデータセットにはおよそ400Kのナビゲーションエピソードが含まれている。
• 参考スコア（独自算出の注目度）: 10.294958174119014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose robot models increasingly rely on large and diverse datasets. For embodied 3D navigation, however, existing data sources face a fundamental trade-off: simulated data can be generated at scale but often suffer from the visual sim-to-real gap, whereas real-world flight data provide realistic observations but are costly to collect. This paper studies another direction: the use of high-fidelity visual generative models as scalable data engines for embodied 3D navigation. We introduce NavGen, a text-to-video data generation pipeline that produces diverse vision-language navigation (VLN) episodes across indoor and outdoor scenes. We also propose a style-diversification method that scales up long-tail data that are difficult and costly to collect. The resulting dataset contains approximately 400K navigation episodes. We evaluate our dataset against existing UAV navigation datasets across multiple metrics, and find that the model trained on our data generally improves with scale, outperforming those trained on existing datasets. To validate real-world transferability, we deploy the trained model in world-action-model paradigm to real-world flying experiments. The final model achieves a 75\% success rate across different navigation tasks and environments.
• Abstract（参考訳）: 汎用ロボットモデルは、大規模で多様なデータセットに依存している。 しかし、3Dナビゲーションを具現化するためには、既存のデータソースは基本的なトレードオフに直面している: シミュレーションデータは大規模に生成できるが、しばしば視覚的なシミュレートと現実のギャップに悩まされる一方、現実のフライトデータは現実的な観察を提供するが、収集するのにコストがかかる。 本稿では,3次元ナビゲーションを具体化するためのスケーラブルなデータエンジンとして,高忠実度視覚生成モデルを用いた別の方向について検討する。 室内および屋外のシーンで多様な視覚言語ナビゲーション(VLN)エピソードを生成するテキスト・ビデオデータ生成パイプラインであるNavGenを紹介する。 また,収集が困難かつコストのかかる長テールデータをスケールアップするスタイル多様化手法を提案する。 結果のデータセットにはおよそ400Kのナビゲーションエピソードが含まれている。 複数のメトリクスにわたる既存のUAVナビゲーションデータセットに対してデータセットを評価し、データに基づいてトレーニングされたモデルは、一般的にスケールで改善され、既存のデータセットでトレーニングされたデータセットよりもパフォーマンスが向上します。 実世界の移動可能性を検証するため,実世界の飛行実験に実世界の行動モデルパラダイムで訓練されたモデルを展開した。 最終モデルは、異なるナビゲーションタスクや環境間で75倍の成功率を達成する。

関連論文リスト

• FlyMirage: A Fully Automated Generation Pipeline for Diverse and Scalable UAV Flight Data via Generative World Model [13.125579202955384]
  FlyMirageは、高度にスケーラブルで完全に自動化されたVLN用のデータ生成パイプラインである。 我々は、動的に実現可能な飛行軌跡を持つ大規模で多種多様で光現実的な航空VLNデータセットを生成する。
  論文  参考訳（メタデータ） (2026-05-19T09:41:04Z)
• MM-Nav: Multi-View VLA Model for Robust Visual Navigation via Multi-Expert Learning [19.308491194903556]
  本稿では,視覚・言語・行動モデルの知性を活用して,合成専門家データから多様なナビゲーション能力を学習することを提案する。 大規模ナビゲーションデータには,3つの強化学習(RL)の専門家から,特権深度情報を訓練した専門家データを収集する。 トレーニング比率が動的に均衡しているRL専門家からオンラインで収集したデータを使って、VLAモデルを反復的にトレーニングします。
  論文  参考訳（メタデータ） (2025-10-03T16:15:09Z)
• LookOut: Real-World Humanoid Egocentric Navigation [61.14016011125957]
  本稿では,エゴセントリックな映像から将来の6Dヘッドポーズの列を予測するという課題を紹介する。 この課題を解決するために,時間的に集約された3次元潜伏特徴を考慮に入れた枠組みを提案する。 この分野のトレーニングデータが不足していることから,このアプローチを通じて収集されたデータセットを提示する。
  論文  参考訳（メタデータ） (2025-08-20T06:43:36Z)
• Learning to Drive Anywhere with Model-Based Reannotation [49.80796496905606]
  ロボットの視覚ナビゲーションポリシーを一般化するためのフレームワークを開発する。 クラウドソースの遠隔操作データや、ラベルなしのYouTubeビデオなど、受動的に収集されたデータを活用します。 このデータはLogoNavに蒸留される。LogoNavは、視覚的目標やGPSのウェイポイントに照準を合わせられた長い水平航法ポリシーだ。
  論文  参考訳（メタデータ） (2025-05-08T18:43:39Z)
• Towards Generating Realistic 3D Semantic Training Data for Autonomous Driving [27.088907562842902]
  自律運転では、3Dセマンティックセグメンテーションが安全なナビゲーションを可能にする重要な役割を果たす。 3Dデータの収集と注釈付けの複雑さは、この開発のボトルネックである。 本稿では,3次元のセマンティック・シーン・スケールのデータを投影モデルやデカップリングモデルに頼らずに生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-27T12:41:42Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• Objaverse: A Universe of Annotated 3D Objects [53.2537614157313]
  800K以上の(そして成長する)3Dモデルと記述タグ,キャプション,アニメーションを備えたオブジェクトの大規模なデータセットであるAverse 1.0を提示する。 多様な3Dモデルのトレーニング、LVISベンチマークでのテールカテゴリセグメンテーションの改善、エンボディードビジョンモデルのためのオープン語彙オブジェクトナビゲーションモデルのトレーニング、そしてビジョンモデルのロバストネス分析のための新しいベンチマークを作成する。
  論文  参考訳（メタデータ） (2022-12-15T18:56:53Z)
• IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
  デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。 インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。 我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
  論文  参考訳（メタデータ） (2022-10-23T23:03:17Z)

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。