論文の概要: ForeFly: A Dual-Horizon World Action Model for Aerial Vision-Language Navigation
- arxiv url: http://arxiv.org/abs/2609.33581v1
- Date: Sun, 27 Sep 2026 13:54:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 15:30:39.31926
- Title: ForeFly: A Dual-Horizon World Action Model for Aerial Vision-Language Navigation
- Title（参考訳）: ForeFly:空中視線ナビゲーションのための2次元世界行動モデル
- Abstract要約: Aerial Vision-Language Navigation (AVLN) は、複雑な3D環境での長い軌道に追従する信頼性の高い指示をUAVに要求する。
ForeFlyは、局所的な連続性のための近未来と長距離誘導のための適応的経路クリティカルな未来の両方を予測する二重水平潜在世界行動モデルである。
TravelUAVとUAV-ONのベンチマークの実験では、ForeFlyは目視や目に見えない設定で強いベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 58.41310453342363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aerial Vision-Language Navigation (AVLN) requires UAVs to maintain reliable instruction following over long trajectories in complex 3D environments. However, existing AVLN approaches are predominantly reactive or limited to single-horizon prediction, overlooking complementary future cues across different temporal horizons. To address this limitation, we propose ForeFly, a dual-horizon latent world action model that predicts both a proximal future for local continuity and an adaptive route-critical future for long-range guidance. Horizon-specific foresight queries are primed with recent and route-critical visual memories, providing history-aware context for future prediction. To exploit their distinct roles in action generation, we introduce Foresight-Guided Action Refinement (FGAR), which asymmetrically exploits proximal foresight for local action enhancement and route-critical foresight for feature-wise correction and route-level guidance. Experiments on the TravelUAV and UAV-ON benchmarks show that ForeFly consistently outperforms strong baselines across seen and unseen settings, validating the effectiveness of dual-horizon foresight and FGAR learning. The code is available at: https://github.com/kunhuiW/ForeFly
- Abstract（参考訳）: Aerial Vision-Language Navigation (AVLN) は、複雑な3D環境での長い軌道に追従する信頼性の高い指示をUAVに要求する。
しかし、既存のAVLNアプローチは、主に反応的あるいは単一水平予測に限られており、異なる時間的地平線を越えて補完的な将来の手がかりを見越している。
この制限に対処するために、局所連続性に対する近未来と長距離誘導のための適応経路クリティカル未来の両方を予測する二重水平潜在世界行動モデルであるForeFlyを提案する。
水平特有のフォレストクエリは、最近およびルートクリティカルな視覚記憶が生み出すもので、将来の予測に履歴を意識したコンテキストを提供する。
行動生成におけるそれらの異なる役割を活かすために、局所的な行動強化のための近視と経路クリティカルな前視を非対称に活用し、特徴的補正と経路レベルの誘導を行うフォレストガイドアクションリファインメント(FGAR)を導入する。
TravelUAV と UAV-ON のベンチマーク実験では、ForeFly は目視や見えない設定で強いベースラインを一貫して上回り、デュアルホライゾンフォレストと FGAR 学習の有効性を検証している。
コードは、https://github.com/kunhuiW/ForeFlyで入手できる。
関連論文リスト
- AirForesight: Current-to-Future Spatial Map Imagination with Cross-Space Planning Consistency for UAV-VLN [28.176475934194638]
UAV-VLN (Unmanned Aerial Vehicle Vision-Language Navigation) は、無人の無人航空機である。
AirForesightは、UAV-VLNのための現在から将来の空間マップイマジネーションフレームワークである。
論文 参考訳（メタデータ） (2026-08-13T05:18:23Z) - Anticipate Before Acting: Future-State-Conditioned Vision-Language Navigation [10.890622231189043]
因果視覚言語モデルを用いた終端視覚言語ナビゲーション(VLN)は、指示や自我中心の観察を直接行動にマッピングする。
特権入力診断は、専門家と軌跡の将来の画像へのアクセスがナビゲーションを大幅に改善できることを示している。
本稿では、将来の暗号通貨による因果ポリシーを強化し、訓練のみの将来の状態監視を利用する展開可能なモデルであるFuture-State-Conditioned VLN(FSC-VLN)を提案する。
論文 参考訳（メタデータ） (2026-07-20T15:11:46Z) - WorldFly: A World-Model-Based Vision-Language-Action Model for UAV Navigation [42.8714305455232]
将来の状態を「想像」する能力は、そのような部分的な可観測性の下での堅牢な意思決定に不可欠である、と我々は主張する。
We propose WorldFly, a novel world-model-based VLA framework that using a dual-branch linked flow matching mechanism to jointly generate future video predictions and navigation action。
論文 参考訳（メタデータ） (2026-06-04T13:23:05Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - Aerial World Model for Long-horizon Visual Generation and Navigation in 3D Space [48.19308247102762]
本稿では,過去のフレームや行動に照らされた将来の視覚的観察を予測する航空ナビゲーションワールドモデルANWMを提案する。
ANWMは4-DoF UAV軌道で訓練され、物理学にインスパイアされたモジュールであるFuture Frame Projectionを導入した。
実験により、ANWMは長距離視覚予測において既存の世界を著しく上回り、大規模環境でのUAV航法成功率を向上させることが示された。
論文 参考訳（メタデータ） (2025-12-26T06:22:39Z) - VISTAv2: World Imagination for Indoor Vision-and-Language Navigation [15.33980337718478]
VLN(Vision-and-Language Navigation)は、エージェントが現実世界の空間で行動している間に言語命令に従う必要がある。
以前のイメージイマジネーションに基づくVLNの研究は、離散パノラマの利点を示しているが、オンラインの行動条件予測に欠けている。
VISTAv2は、過去の観測に照らされた自我中心の将来の展望をロールアウトする生成的世界モデルである。
論文 参考訳（メタデータ） (2025-11-14T10:20:22Z) - VLN-R1: Vision-Language Navigation via Reinforcement Fine-Tuning [77.34267241692706]
Vision-Language Navigation(VLN)は、エージェントが自然言語命令を使用して現実世界の環境をナビゲートする必要がある、AIの実施における中核的な課題である。
本稿では、LVLM(Large Vision-Language Models)を利用して、エゴセントリックな動画ストリームを連続的なナビゲーションアクションに変換するエンドツーエンドフレームワークであるVLN-R1を提案する。
論文 参考訳（メタデータ） (2025-06-20T17:59:59Z) - UnitedVLN: Generalizable Gaussian Splatting for Continuous Vision-Language Navigation [71.97405667493477]
我々は,UnitedVLNと呼ばれる,新しい汎用3DGSベースの事前学習パラダイムを導入する。
エージェントは、高忠実度360度ビジュアルイメージとセマンティック特徴を統一してレンダリングすることで、将来の環境をよりよく探索することができる。
UnitedVLNは既存のVLN-CEベンチマークで最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-11-25T02:44:59Z)
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。