論文の概要: UniTrackPLA: Unified Panorama-Language-Action Model for Instruction-Guided Navigation and Dynamic Person Tracking

• arxiv url: http://arxiv.org/abs/2610.00878v1
• Date: Thu, 01 Oct 2026 00:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.834591
• Title: UniTrackPLA: Unified Panorama-Language-Action Model for Instruction-Guided Navigation and Dynamic Person Tracking
• Title（参考訳）: UniTrackPLA:指導誘導ナビゲーションと動的人物追跡のための統一パノラマ言語行動モデル
• Abstract要約: 汎用的な具体化ロボットは、言語指定の目的地へのナビゲーションと動的人物追跡の両方をサポートする必要がある。 命令誘導ナビゲーションと動的人物追跡のための統合パノラマ-言語-アクションモデルUniTrackPLAを提案する。
• 参考スコア（独自算出の注目度）: 15.996319181204393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose embodied robots should support both navigation toward language-specified destinations and dynamic person tracking under arbitrary initial target azimuths. However, existing methods typically rely on forward-facing observations and address these tasks with separate policies, limiting omnidirectional perception and unified closed-loop control. We present UniTrackPLA, a unified panorama-language-action model for instruction-guided navigation and dynamic person tracking. Its Panoramic-Aware Encoding (PAE) preserves the temporal and azimuthal structure of perspective views projected from each panorama, enabling perspective-pretrained visual encoders to process omnidirectional observations. A shared vision-language backbone grounds instructions in the panoramic context and predicts continuous robot-centric waypoint chunks for both tasks. World-Action Consistency (WAC) further predicts action-conditioned future visual states and verifies waypoint prefixes online, allowing reliable actions to be reused while triggering replanning upon inconsistency. We also introduce OmniTrackNav-Bench, comprising 5,000 simulated tracking trajectories, 10,000 simulated VLN routes, and 96 verified real-world routes, providing 919,978 waypoint-supervision instances. UniTrackPLA improves overall tracking SR from 23.50% to 35.00% and Omni-VLN SR/SPL from 13.00%/12.77% to 19.75%/19.29%. Incorporating 76 real-world routes further improves held-out EP@0.2m from 42.92% to 92.08%. Closed-loop experiments on a Go2-W robot demonstrate unified panoramic tracking and navigation across indoor and outdoor environments. The project page is at https://tw5775.github.io/UniTrackPLA.
• Abstract（参考訳）: 汎用的な具体化ロボットは、言語特定目的地へのナビゲーションと、任意の初期目標方位下での動的人物追跡の両方をサポートする必要がある。 しかし、既存の手法は通常前方からの観測に頼り、これらのタスクに異なるポリシーで対処し、全方位知覚と閉ループ制御を制限している。 命令誘導ナビゲーションと動的人物追跡のための統合パノラマ-言語-アクションモデルUniTrackPLAを提案する。 パノラマ・アウェア・エンコーディング(PAE)は、各パノラマから投影される視線ビューの時間的および方位的構造を保存し、視線予測された視覚エンコーダが全方位観測を処理できるようにする。 共通視覚言語バックボーンは、パノラマ的な文脈で指示を下し、両方のタスクに対して連続的なロボット中心のウェイポイントチャンクを予測する。 World-Action Consistency (WAC)は、アクション条件付き将来の視覚状態を予測し、オンラインのウェイポイントプレフィックスを検証する。 また,OmniTrackNav-Benchを導入し,5000のシミュレートされたトラッキングトラジェクトリ,10,000のシミュレートされたVLNルート,96の検証済み実世界のルートで構成され,919,978のウェイポイントスーパービジョンインスタンスを提供する。 UniTrackPLAは、全体の追跡SRを23.50%から35.00%に、Omni-VLN SR/SPLを13.00%/12.77%から19.75%/19.29%に改善している。 76の現実世界のルートを組み込むと、EP@0.2mは42.92%から92.08%に改善される。 Go2-Wロボットのクローズドループ実験では、パノラマのトラッキングとナビゲーションが屋内および屋外の環境に統一されていることが示されている。 プロジェクトページはhttps://tw5775.github.io/UniTrackPLAにある。

関連論文リスト

• LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
  エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。 ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:08:53Z)
• TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks [22.702826122425268]
  制御と予測の中間インタフェースとして視覚トラックを用いた世界モデルに基づくロボット意思決定フレームワークTrActを提案する。 TrActは3つのコンポーネントから構成される: ビジョン・ランゲージ・アクション・アンド・トラックモデル(VLAT)は、現在の観察と言語指導から候補行動と対応する視覚トラックを共同で予測し、トラック条件付き世界モデル(TWM)は、提案されたトラックで条件付けられた将来の視覚結果を予測する。
  論文  参考訳（メタデータ） (2026-08-25T06:00:01Z)
• NavWAM: A Navigation World Action Model for Goal-Conditioned Visual Navigation [41.592946383221566]
  ナビゲーションワールドモデルはこのような視覚的な展望を提供するが、予測された未来をクローズドループ制御に変換するために外部プランナーを必要とする予測モジュールは残る。 ナビゲーションワールドモデル予測を実行可能なアクションに変換する拡散変換器ポリシーであるナビゲーションワールドアクションモデル(NavWAM)を提案する。 我々は,シミュレーション事前学習と実ロボット適応によりNavWAMを構築し,計画に基づく世界モデルに対するイメージゴールナビゲーションと代表的ダイレクトナビゲーションポリシーについて評価する。
  論文  参考訳（メタデータ） (2026-06-11T15:44:36Z)
• OmniTrack++: Omnidirectional Multi-Object Tracking by Learning Large-FoV Trajectory Feedback [40.746857157430256]
  本稿ではパノラマ画像におけるマルチオブジェクト追跡(MOT)について検討する。 MOTは、360deg Field of View (FoV)、解像度の希釈、厳密なビュー依存歪みなど、ユニークな課題を導入している。 360deg FoVでパノラマ歪み、大きな検索スペース、アイデンティティの曖昧さに対処するため、OmniTrack++はフィードバック駆動のフレームワークを採用している。
  論文  参考訳（メタデータ） (2025-11-01T11:28:05Z)
• Ground-level Viewpoint Vision-and-Language Navigation in Continuous Environments [10.953629652228024]
  VLN(Vision-and-Language Navigation)エージェントは、時系列の視覚観察とそれに対応する指示を関連付け、意思決定を行う。 本稿では,人間中心の指示と低地視野の四足歩行ロボットとのミスマッチに対処する。 この問題を軽減するために,地上レベルの視点ナビゲーション(GVNav)手法を提案する。
  論文  参考訳（メタデータ） (2025-02-26T10:30:40Z)
• Navigation World Models [68.58459393846461]
  本稿では,過去の観測とナビゲーション行動に基づいて,将来の視覚観測を予測できる制御可能な映像生成モデルを提案する。 慣れ親しんだ環境では、NWMはナビゲーションの軌道をシミュレートし、目的を達成するかどうかを評価することで計画することができる。 実験は、スクラッチからの軌道計画や、外部ポリシーからサンプリングされた軌道のランク付けにおいて、その効果を実証する。
  論文  参考訳（メタデータ） (2024-12-04T18:59:45Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• OmniTracker: Unifying Object Tracking by Tracking-with-Detection [119.51012668709502]
  OmniTrackerは、完全に共有されたネットワークアーキテクチャ、モデルウェイト、推論パイプラインですべてのトラッキングタスクを解決するために提供されている。 LaSOT、TrackingNet、DAVIS16-17、MOT17、MOTS20、YTVIS19を含む7つの追跡データセットの実験は、OmniTrackerがタスク固有の追跡モデルと統合された追跡モデルの両方よりも、オンパーまたはそれ以上の結果を達成することを示した。
  論文  参考訳（メタデータ） (2023-03-21T17:59:57Z)

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。