論文の概要: AerialDojo-200K: A Large-Scale Benchmark Suite for Open-World Aerial Object-Goal Search
- arxiv url: http://arxiv.org/abs/2609.36066v1
- Date: Mon, 28 Sep 2026 18:20:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.934685
- Title: AerialDojo-200K: A Large-Scale Benchmark Suite for Open-World Aerial Object-Goal Search
- Title（参考訳）: AerialDojo-200K: オープンワールドなオブジェクト指向検索のための大規模ベンチマークスイート
- Abstract要約: 本研究では,AerialDojo-200Kを提案する。
筆者らは, 都市18, 自然12, インフラ6, 災害6の4つの家族と21のシーンにまたがる42のシミュレーションシーンを構築した。
さらに,100K以上のセマンティックゴールと100K以上のイメージゴールインスタンスからなる205,732のタスクインスタンスを構築した。
- 参考スコア（独自算出の注目度）: 34.514428226873086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-world aerial object-goal search is a foundational yet challenging task, requiring aerial agents to autonomously explore large-scale, unstructured three-dimensional environments and reach target objects specified by semantic descriptions or reference images, rather than following route-specific instructions. However, research in this task remains at a nascent stage and relies on small, environment-specific benchmarks with heterogeneous action spaces and data formats. These limitations hinder large-scale training and cross-benchmark evaluation, constraining the scalability and generalizability of aerial agents. To address this problem, we propose AerialDojo-200K, a large-scale benchmark suite for open-world aerial object-goal search, with 3 times as many scenes and 18.7 times as many task instances as the largest existing benchmark for this task. Specifically, we construct 42 simulation scenes spanning four scene families and 21 scene types, including 18 urban, 12 natural, six infrastructure, and six disaster scenes. To ensure data quality, 12 annotators spent two months manually annotating 109 landmarks, 2099 target objects, and 2099 object anchors across these scenes. We further construct 205,732 task instances, comprising over 100K semantic-goal and over 100K image-goal instances across Base, Standard, and Long-Horizon settings. Each task instance includes a collision-free reference trajectory and corresponding multi-view video recordings. We also develop a unified evaluation framework with a scene partition comprising 21 in-distribution scenes and 21 out-of-distribution scenes. Finally, our evaluation of five open-source and four closed-source multimodal large language models reveals that there is still a long way to go toward achieving general-purpose aerial agents. All can be found at https://fengtt42.github.io/AerialDojo/.
- Abstract（参考訳）: オープンワールドのオブジェクトゴールサーチは基本的な課題でありながら難しい課題であり、航空エージェントは大規模で非構造的な3次元環境を自律的に探索し、ルート固有の指示に従うのではなく、セマンティックな記述や参照画像によって指定されたターゲットオブジェクトに到達する必要がある。
しかし、このタスクの研究は、まだ初期段階にあり、異種アクション空間とデータフォーマットを持つ小さな環境特化ベンチマークに依存している。
これらの制限は、航空エージェントのスケーラビリティと一般化性を制限し、大規模な訓練とクロスベンチマーク評価を妨げている。
この問題に対処するために,AerialDojo-200Kを提案する。AerialDojo-200Kはオープンワールドのオブジェクトゴール検索のための大規模なベンチマークスイートで,このタスクの3倍のシーンと18.7倍のタスクインスタンスを持つ。
具体的には,18の都市,12の自然,6のインフラ,6つの災害シーンを含む,4つのシーンファミリーと21のシーンにまたがる42のシミュレーションシーンを構築した。
データの品質を確保するため、12のアノテーションは手作業で109のランドマーク、2099のターゲットオブジェクト、2099のオブジェクトアンカーに注釈を付けた。
さらに、Base、Standard、Long-Horizon設定全体で100K以上のセマンティックゴールインスタンスと100K以上のイメージゴールインスタンスからなる205,732のタスクインスタンスを構築します。
各タスクインスタンスは、衝突のない参照軌跡と対応するマルチビュービデオ記録を含む。
また,21の分配シーンと21のアウト・オブ・ディストリビューションシーンからなるシーン分割を用いた統合評価フレームワークを開発した。
最後に,5つのオープンソースおよび4つのクローズドソースマルチモーダル大言語モデルの評価結果から,汎用航空エージェントの実現にはまだまだ長い道のりがあることが明らかとなった。
すべてはhttps://fengtt42.github.io/AerialDojo/で見ることができる。
関連論文リスト
- SpaceVista: All-Scale Visual Spatial Reasoning from mm to km [43.506658643163405]
本稿は,2つの課題に対処することで,多様なシナリオをまたいだ空間的推論を促進することを目的とする。
屋内の3Dスキャンと、データセットのキュレーションのための労働集約的な手作業アノテーションに大きく依存する。
本稿では,構造化空間推論システム,スケール・アウェア・モデリング,プログレッシブ・トレーニング・パラダイムを統合した総合的なソリューションを提案する。
論文 参考訳（メタデータ） (2025-10-10T17:59:46Z) - Embodied Instruction Following in Unknown Environments [64.57388036567461]
未知環境における複雑なタスクに対するEIF(Embodied instruction following)法を提案する。
我々は,ハイレベルなタスクプランナと低レベルな探索コントローラを含む,階層的な具体化命令に従うフレームワークを構築した。
タスクプランナに対しては、タスク完了プロセスと既知の視覚的手がかりに基づいて、人間の目標達成のための実行可能なステップバイステッププランを生成する。
論文 参考訳（メタデータ） (2024-06-17T17:55:40Z) - RSUD20K: A Dataset for Road Scene Understanding In Autonomous Driving [6.372000468173298]
RSUD20Kは、バングラデシュの道路の運転から見た20K以上の高解像度画像からなる、道路シーン理解のための新しいデータセットである。
我々の作業は以前の取り組みを大幅に改善し、詳細なアノテーションを提供し、オブジェクトの複雑さを増大させます。
論文 参考訳（メタデータ） (2024-01-14T16:10:42Z) - PACE: A Large-Scale Dataset with Pose Annotations in Cluttered Environments [50.79058028754952]
PACE(Pose s in Cluttered Environments)は、散在シナリオにおけるポーズ推定手法の大規模ベンチマークである。
ベンチマークは55Kフレームで構成され、300の動画に258Kのアノテーションがあり、43のカテゴリから238のオブジェクトをカバーしている。
PACE-Simには、931オブジェクトにわたる2.4Mアノテーションを備えた100Kのフォトリアリスティックシミュレートフレームが含まれている。
論文 参考訳（メタデータ） (2023-12-23T01:38:41Z) - ASOD60K: Audio-Induced Salient Object Detection in Panoramic Videos [79.05486554647918]
本研究では,パノラマビデオから有能な物体を分離する新しいタスクであるPV-SODを提案する。
既存の固定レベルやオブジェクトレベルの塩分濃度検出タスクとは対照的に,多モードの塩分濃度検出(SOD)に焦点を当てる。
AsOD60Kという,6レベル階層の4K解像度ビデオフレームを含む,最初の大規模データセットを収集する。
論文 参考訳（メタデータ） (2021-07-24T15:14:20Z) - Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。
私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。
我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
論文 参考訳（メタデータ） (2021-05-06T04:46:14Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - SkyScapes -- Fine-Grained Semantic Understanding of Aerial Scenes [11.624882816971049]
画素レベルのセマンティックラベリングのための高精度できめ細かいアノテーションを備えた航空画像データセットであるSkyScapesを紹介した。
SkyScapesは、建物、道路、植生などの大きな構造から、レーンマーキングの12(サブカテゴリ)のような細部まで、31のセマンティックカテゴリのアノテーションを提供している。
セマンティックエッジ検出を取り入れた新しいマルチタスクモデルを提案する。
論文 参考訳（メタデータ） (2020-07-12T21:44:38Z)
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。