論文の概要: RECAST: Recasting Vision-Language Semantics into an Actionable Cost Map for Robot Navigation

• arxiv url: http://arxiv.org/abs/2609.32595v1
• Date: Sat, 26 Sep 2026 13:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 05:38:06.609163
• Title: RECAST: Recasting Vision-Language Semantics into an Actionable Cost Map for Robot Navigation
• Title（参考訳）: RECAST:ロボットナビゲーションのための行動可能なコストマップに視覚言語セマンティックスをリキャストする
• Abstract要約: RECASTは、VLMの推論と視覚基盤モデルの空間的接地を組み合わせたロボットナビゲーションフレームワークである。 シミュレーションでは13.3ポイント、実四重奏では31.4ポイントで最強の先行法よりも成功率を向上させる。 衝突速度を9.6点、14.3点に減らし、全ての方法の中で最も低い衝突速度に達する。
• 参考スコア（独自算出の注目度）: 55.481757624043034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe and robust robot navigation across diverse environments requires a high-level understanding of complex scenes and the ability to carry it into stable motion. Recent works tackle this with learning-based models trained at scale and with approaches built on vision-language models (VLMs). However, learning-based models break down outside their training distribution, while VLM-based approaches bring that understanding but rarely ground it in the scene or align the action with it. To address these limitations, we present RECAST, a robot navigation framework that combines the reasoning of a VLM with the spatial grounding of vision foundation models to build an Actionable Cost map. Given the robot's front view and the user's instruction, we first decompose the scene with the VLM, judging which surfaces are traversable, which objects pose a risk, which heading to prefer, and which gaps are passable. Vision foundation models then ground these surfaces and objects in the image, and all four judgments are spatially recast into one compact cost map. This map both conditions the trajectory decoders and scores their proposals to select the one to execute. As the VLM's answers trail the live scene, both steps draw on cost maps from two points in time: the pivot frame the VLM judged, which carries all four judgments, and the current frame, whose terrain and collision costs are rebuilt from the current image. RECAST improves success over the strongest prior method by 13.3 points in simulation and 31.4 points on a real quadruped, and reduces the collision rate relative to it by 9.6 and 14.3 points, reaching the lowest collision rate among all methods. The project page is available at https://recast-nav.github.io/
• Abstract（参考訳）: 多様な環境にまたがる安全で堅牢なロボットナビゲーションには、複雑なシーンの高レベルな理解と、それを安定した動作に運ぶ能力が必要である。 最近の研究は、大規模に訓練された学習ベースのモデルと、視覚言語モデル(VLM)に基づくアプローチに対処している。 しかしながら、学習ベースのモデルはトレーニングディストリビューションの外では壊れる一方、VLMベースのアプローチは、その理解をもたらすが、シーンにそれを埋め込んだり、アクションと整列させたりすることは滅多にない。 これらの制約に対処するために,視覚基盤モデルの空間的接地とVLMの推論を組み合わせたロボットナビゲーションフレームワークRECASTを提案する。 ロボットのフロントビューと利用者の指示を考慮し、まずVLMでシーンを分解し、どの表面が走行可能か、どの物体が好まれるか、どの隙間が通過可能かを判断する。 視覚基礎モデルは、これらの表面と物体を画像に接地し、4つの判断はすべて空間的に1つのコンパクトなコストマップに再キャストされる。 このマップは両方のトラジェクトリデコーダを条件付けし、実行すべきものを選択するための提案をスコア付けする。 VLMの回答がライブシーンを辿ると、両方のステップは、VLMが判断したピボットフレームと、現在の画像から地形と衝突コストを再構築した現在のフレームの2点からコストマップを描画する。 RECASTは、シミュレーションにおいて最強の先行手法よりも13.3ポイント、実四重奏法では31.4ポイント、衝突速度は9.6ポイント、14.3ポイントで改善され、全ての手法の中で最も低い衝突速度に達する。 プロジェクトのページはhttps://recast-nav.github.io/で公開されている。

関連論文リスト

• See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models [51.019904314336124]
  視覚言語アクション(VLA)モデルは、視覚的な観察と言語指示からロボットの動きを予測する。 ほとんどのVLAは、カメラフレーム内のシーンを観察し、シーンが観察された場所とアクションが定義された場所との間のフレームミスマッチを生成する。 このミスマッチをロボット中心のポイントマップで処理し、ロボットフレーム内のシーンポイントの3D座標を画素に格納する。
  論文  参考訳（メタデータ） (2026-07-13T12:50:32Z)
• Pri4R: Learning World Dynamics for Vision-Language-Action Models with Privileged 4D Representation [58.21084913574353]
  我々は,世界力学を暗黙的に理解したVLAモデルを実現するシンプルなアプローチであるPri4Rを紹介する。 Pri4Rは3Dトラックを予測する軽量なポイントトラックヘッドでVLAを強化している。 3Dポイントトラック予測は,アクションワールドダイナミクスを学習するための効果的な監視対象であることを示す。
  論文  参考訳（メタデータ） (2026-03-02T07:23:53Z)
• SwiftVLA: Unlocking Spatiotemporal Dynamics for Lightweight VLA Models at Minimal Overhead [56.74139420555097]
  設計効率を保ちつつ、4次元理解でコンパクトなモデルを強化するアーキテクチャであるSwiftVLAを提案する。 提案手法は,2次元画像から4次元特徴を抽出する時間キャッシュを備えた,事前訓練された4次元視覚幾何学変換器を備える。 実環境とシミュレートされた環境での実験では、SwiftVLAは軽量のベースラインよりも優れており、ライバルのVLAは最大7倍も大きい。
  論文  参考訳（メタデータ） (2025-11-30T14:10:28Z)
• Watch Your STEPP: Semantic Traversability Estimation using Pose Projected Features [4.392942391043664]
  人間の歩行のデモンストレーションから学ぶことにより,地形の移動性を評価する手法を提案する。 提案手法は,DINOv2視覚変換器モデルを用いて生成した高密度画素ワイドな特徴埋め込みを利用する。 損失を最小化することにより、ネットワークは、低い復元誤差で見慣れた地形と、高い復元誤差で見慣れないまたは危険な地形とを区別する。
  論文  参考訳（メタデータ） (2025-01-29T11:53:58Z)
• Explore until Confident: Efficient Exploration for Embodied Question Answering [32.27111287314288]
  我々は、大きな視覚言語モデルの強力な意味推論機能を活用して、質問を効率的に探索し、答える。 深度情報とVLMの視覚的プロンプトに基づいて,まずシーンのセマンティックマップを構築する手法を提案する。 次に、コンフォメーション予測を用いて、自信に答えるVLMの質問を校正し、いつ探索を中止するかをロボットが知ることができるようにする。
  論文  参考訳（メタデータ） (2024-03-23T22:04:03Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
  本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。 搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。 ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:45:17Z)

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。