論文の概要: SatNav: A Scalable Benchmark for Long-Horizon UAV Vision-Language Navigation from Satellite Imagery

• arxiv url: http://arxiv.org/abs/2609.31507v1
• Date: Fri, 25 Sep 2026 16:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.494108
• Title: SatNav: A Scalable Benchmark for Long-Horizon UAV Vision-Language Navigation from Satellite Imagery
• Title（参考訳）: SatNav: 衛星画像からの長距離UAVビジョンランゲージナビゲーションのためのスケーラブルベンチマーク
• Abstract要約: SatNavは、高解像度の衛星画像から作られた、スケーラブルで長距離のUAV VLNベンチマークである。 SatNavは、都市レベルの航海ミッションを目標とし、UAVナディアビューの近似として衛星作物を使用している。 SatNavは18都市の59のシーンから118Kのエピソードを合成し、平均走行距離は379mである。
• 参考スコア（独自算出の注目度）: 9.121632643296433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban uncrewed aerial vehicle (UAV) vision-language navigation (VLN) requires agents to follow instructions across extended urban spaces, inherently demanding long-term memory and geospatial grounding. However, scaling existing benchmarks remains difficult because of their reliance on costly reconstructed 3D assets, limiting geographic diversity and episode scale. To address this, we introduce SatNav, a scalable, long-horizon UAV VLN benchmark built from high-resolution satellite imagery. SatNav targets city-level navigation missions and uses satellite crops as approximations of UAV nadir views for visual observations. Through an automated cue-to-episode pipeline, SatNav constructs 118K episodes from 59 scenes across 18 cities, with an average trajectory length of 379 m. To stress-test long-horizon memory and geospatial reasoning, SatNav defines three task families: Boundary, Landmark, and Route, targeting loop progress tracking, landmark-based spatial grounding, and route following with counting cues. Benchmarking classical VLN agents and recent agents based on large vision-language models (LVLMs) on SatNav shows that city-scale navigation remains challenging. We further introduce SwiftVLN, a modular framework with switchable memory components, and conduct systematic memory-design ablations. Finally, satellite-to-UAV transfer experiments show that satellite-trained navigation models can operate on real-flight UAV observations, showing the practical relevance of SatNav. Our project page: https://eku127.github.io/SatNav/
• Abstract（参考訳）: UAV (Urban Uncrewed Air Vehicle) 視覚言語ナビゲーション (VLN) では、エージェントが長期記憶と地理空間の接地を必要とする都市空間を横断する指示に従う必要がある。 しかし、コストがかかる3Dアセットに依存しており、地理的多様性やエピソードスケールが制限されているため、既存のベンチマークのスケーリングは依然として困難である。 これを解決するために、高解像度の衛星画像から構築されたスケーラブルで長距離のUAV VLNベンチマークであるSatNavを紹介した。 SatNavは、都市レベルの航海ミッションを目標とし、UAVナディアビューの近似として衛星作物を使用している。 SatNavは18都市の59のシーンから118Kのエピソードを合成し、平均走行距離は379mである。 ストレステストによる長期記憶と地理空間的推論のために、SatNavは境界、ランドマーク、ルートの3つのタスクファミリを定義している。 SatNav上での古典的なVLNエージェントと大規模視覚言語モデル(LVLM)に基づく最近のエージェントのベンチマークは、都市規模のナビゲーションが依然として困難であることを示している。 さらに,スイッチ可能なメモリコンポーネントを備えたモジュール型フレームワークであるSwiftVLNを導入し,メモリ設計の体系化を行う。 最後に、衛星とUAVの移動実験により、衛星が訓練した航法モデルが飛行中のUAV観測で動作できることが示され、サットナブの実用的妥当性が示された。 プロジェクトページ: https://eku127.github.io/SatNav/

関連論文リスト

• LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation [96.09246387639006]
  LookasideVLNは、より正確な空間推論とより高い計算効率を達成するために、自然言語の方向の手がかりを利用する。 LookasideVLNは、シングルレベルのルックアヘッドでも、最先端のCityNavAgentよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-04-19T01:36:53Z)
• 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)
• CityNavAgent: Aerial Vision-and-Language Navigation with Hierarchical Semantic Planning and Global Memory [39.76840258489023]
  航空ビジョン・アンド・ランゲージナビゲーション(VLN)では、ドローンが自然言語の指示を解釈し、複雑な都市環境をナビゲートする必要がある。 都市空域VLNの航法複雑性を著しく低減する大規模言語モデル(LLM)を用いたエージェントである textbfCityNavAgent を提案する。
  論文  参考訳（メタデータ） (2025-05-08T20:01:35Z)
• Aerial Vision-and-Language Navigation with Grid-based View Selection and Map Construction [102.70482302750897]
  Aerial Vision-and-Language Navigation (Aerial VLN)は、人間の指示に従って空中3D環境をナビゲートする無人航空機エージェントの取得を目的としている。 より長い航法、より複雑な3Dシーン、垂直アクションと水平アクションの相互作用の無視により、従来の手法はうまく機能しない。 グリッドベースのビュー選択タスクとして空のVLN動作予測を定式化する,グリッドベースのビュー選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-14T05:20:43Z)
• CityNav: A Large-Scale Dataset for Real-World Aerial Navigation [25.51740922661166]
  航空VLNのための最初の大規模実世界のデータセットであるCityNavを紹介する。 我々のデータセットは32,637人の実証軌道で構成されており、それぞれに自然言語の記述が組み合わされている。 ナビゲーション中に補助的なモダリティ入力として使用できる地理意味マップを作成する方法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T12:08:27Z)
• Vehicle Perception from Satellite [54.07157185000604]
  データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。 小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。 128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
  論文  参考訳（メタデータ） (2024-02-01T15:59:16Z)
• AerialVLN: Vision-and-Language Navigation for UAVs [23.40363176320464]
  AerialVLNという,UAVをベースとした,屋外環境に向けた新しいタスクを提案する。 都市レベル25のシナリオをほぼリアルに表現した3次元シミュレータを開発した。 AerialVLNが新しい課題であることを示唆するベースラインモデルと人的パフォーマンスの間にはまだ大きなギャップがある。
  論文  参考訳（メタデータ） (2023-08-13T09:55:04Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。