論文の概要: LightVLN: Efficient Aerial Vision-and-Language Navigation with Compact Memory and History-Guided Local Aggregation

• arxiv url: http://arxiv.org/abs/2610.05024v1
• Date: Sun, 04 Oct 2026 07:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 06:57:51.733526
• Title: LightVLN: Efficient Aerial Vision-and-Language Navigation with Compact Memory and History-Guided Local Aggregation
• Title（参考訳）: LightVLN: コンパクトメモリと履歴誘導ローカルアグリゲーションを併用した高能率航空ビジョン・ランゲージナビゲーション
• Abstract要約: 本稿では,軽量な履歴認識型空中VLNフレームワークであるLightVLNを提案する。 LightVLNは、ポリシーによって既に計算されている視覚的特徴を使用して、各歴史的フレームを単一のトークンに圧縮する。 パブリックなOpenFlyデータセットでは、LightVLNは50.93%のテストシーエンと36.14%のテストアンシーの成功率を達成した。
• 参考スコア（独自算出の注目度）: 9.960300365587482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aerial vision-and-language navigation (VLN) enables unmanned aerial vehicles to execute long-horizon natural-language instructions from visual observations in complex three-dimensional environments. However, recent aerial VLN models often rely on large-scale vision-language backbones and dense visual histories, imposing substantial computation and memory costs that hinder onboard deployment. We propose LightVLN, a lightweight history-aware aerial VLN framework that combines a compact 0.5B language backbone with compact representations of both historical and current observations. LightVLN compresses each historical frame into a single token using visual features already computed by the policy. It further introduces history- and instruction-conditioned local aggregation to reduce the current observation from 256 to 32 visual tokens while preserving navigation-relevant spatial information. With up to 16 historical frames, the policy uses at most 48 observation-derived tokens. On the public OpenFly dataset, LightVLN achieves 50.93% Test-Seen and 36.14% Test-Unseen success rates (SR), outperforming the evaluated 7B language-backbone baselines on most reported metrics. It also achieves 25.83% SR on AerialVLN-S Val-Seen. In a reconstructed unseen campus, we deploy LightVLN on a DJI M350 RTK with an external Jetson Orin NX 16 GB for closed-loop onboard-compute real-to-sim hardware-in-the-loop (HIL) evaluation, achieving 14.61 Hz model inference and 11.13 Hz end-to-end decision updates. These results demonstrate the effectiveness and efficiency of LightVLN for aerial navigation.
• Abstract（参考訳）: VLN(Aerial Vision-and-Language Navigation)は、無人航空機が複雑な3次元環境における視覚的な観察から長距離の自然言語指示を行うことを可能にする。 しかしながら、最近の航空VLNモデルは、しばしば大規模な視覚言語バックボーンと密集した視覚履歴に依存しており、実際の計算とメモリコストを抑えている。 光VLNは、0.5B言語バックボーンと、歴史観測と現在の観測の両方のコンパクトな表現を組み合わせた、軽量な履歴認識型空中VLNフレームワークである。 LightVLNは、ポリシーによって既に計算されている視覚的特徴を使用して、各歴史的フレームを単一のトークンに圧縮する。 さらに、履歴と命令条件の局所集約を導入し、ナビゲーション関連空間情報を保存しながら、現在の観測を256から32の視覚トークンに短縮する。 16の歴史的フレームを持つこのポリシーは、少なくとも48の観測用トークンを使用する。 パブリックなOpenFlyデータセットでは、LightVLNは50.93%のTest-Seenと36.14%のTest-Unseen成功率(SR)を達成した。 また、AerialVLN-S Val-Seenで25.83%のSRを達成した。 再構成されていないキャンパスでは、外付けのJetson Orin NX 16GB搭載のDJI M350 RTKにLightVLNを配置し、14.61Hzのモデル推論と11.13Hzのエンドツーエンド決定更新を実現した。 これらの結果は,航空航法におけるLightVLNの有効性と有効性を示すものである。

関連論文リスト

• EdgeVLN: Runtime-Aware Deployment Ready Quantized Vision Language Navigation Model [0.1259953341639576]
  視覚言語ナビゲーション(VLN)モデルはよく機能するが、ターゲットは計算量の多いプラットフォームである。 ランタイム対応でデプロイ対応の量子化VLNモデルであるEdgeVLNを紹介する。 NVIDIA Jetson Orin NX 16GB上でのシミュレーション,遅延,エネルギー,常駐メモリにおける成功率(SR)を測定した。
  論文  参考訳（メタデータ） (2026-09-28T16:32:09Z)
• MemVLN: Episodic and Procedural Memory for Vision-and-Language Navigation [68.89913903899101]
  リアルタイム推論効率(14 FPS)で最先端性能を実現する新しいVLNフレームワークを提案する。 MemVLNは、視覚エンコーダを使用して連続観察を処理し、LLM(Large Language Model)を使用して命令を解釈し、アクションを生成する。 VLN-CEの実験では、MemVLN-4BはベースラインのQwen3-VL-4Bアーキテクチャを5.8%のSRでR2R、9.7%のSRで上回り、推論遅延の7$times$スピードアップを達成した。
  論文  参考訳（メタデータ） (2026-07-26T07:08:30Z)
• VLN-AVP: Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for Autonomous Valet Parking [9.439496046613938]
  本稿では,自律的バレットパーキングタスクのためのゼロショットナビゲーションフレームワークを提案する。 バードアイビュー(BEV)モデルの正確な空間知覚と視覚言語モデル(VLM)の一般知能を組み合わせることで VLN-AVPデータセットとベンチマークを示し、10以上の高忠実な駐車シーンと1000以上のナビゲーションエピソードを特徴とする。
  論文  参考訳（メタデータ） (2026-07-20T10:01:20Z)
• VLGA: Vision-Language-Geometry-Action Models for Autonomous Driving [6.130994037021129]
  ヴィジュアル・ランゲージ・アクション・モデルは、それらのシーンを言語で表現できるが、周囲の密集した3Dの世界において、彼らのアクションを根ざすのに苦労する。 VLGAは、運転する高密度な3D世界を再構築するために教師される最初の視覚-言語-アクションモデルである。
  論文  参考訳（メタデータ） (2026-06-10T17:57:06Z)
• LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence [107.63317552620231]
  LLaVA-OneVision-2(LLaVA-OV-2)について述べる。 幅広いマルチモーダルベンチマークで優れたパフォーマンスを実現している。 際立った能力は、ビデオ理解、時間的接地、空間的接地、操作言語推論にまたがる統一的な認識である。
  論文  参考訳（メタデータ） (2026-05-25T15:54:04Z)
• 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)
• 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)
• Exploring the best way for UAV visual localization under Low-altitude Multi-view Observation Condition: a Benchmark [6.693781685584959]
  高度の低い多視点UAV AVLは、極端な視点の変化による大きな課題を提示する。 このベンチマークでは、低高度多視点UAV AVLの課題を明らかにし、将来の研究に貴重なガイダンスを提供した。
  論文  参考訳（メタデータ） (2025-03-12T03:29:27Z)
• ET-Former: Efficient Triplane Deformable Attention for 3D Semantic Scene Completion From Monocular Camera [53.20087549782785]
  本稿では,単一単眼カメラを用いたセマンティックシーン補完のための新しいエンドツーエンドアルゴリズムET-Formerを紹介する。 本手法は,単一のRGB観測からセマンティック占有マップを生成すると同時に,セマンティック予測のための不確実性推定を行う。
  論文  参考訳（メタデータ） (2024-10-14T19:14:49Z)

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。