論文の概要: StageVLN: Spatial and Trajectory Auxiliary Guidance for Efficient Vision-Language Navigation
- arxiv url: http://arxiv.org/abs/2610.05664v1
- Date: Mon, 05 Oct 2026 01:20:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 12:12:23.987731
- Title: StageVLN: Spatial and Trajectory Auxiliary Guidance for Efficient Vision-Language Navigation
- Title（参考訳）: StageVLN:効率的な視覚・言語ナビゲーションのための空間・軌道補助誘導
- Abstract要約: VLN(Vision-and-Language Navigation)ポリシは,強いセマンティクスの面でのメリットが増している。
標準的な行動監督は、シーン幾何学を保存するための中間表現を明示的に奨励しない。
そこで我々は,空間的および軌道的誘導によってナビゲーション表現を形作るトレーニングフレームワークStageVLNを紹介した。
- 参考スコア（独自算出の注目度）: 9.393471741081063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-and-Language Navigation (VLN) policies increasingly benefit from strong semantic priors provided by large vision-language models (VLMs). However, standard action supervision does not explicitly encourage intermediate representations to preserve scene geometry, relative orientation, or global episode progress. Incorporating depth estimators, explicit maps, point clouds, or geometry foundation models at inference can provide such structure but introduces additional computation, memory overhead, and architectural dependence during deployment. We introduce StageVLN, a training framework that shapes navigation representations through privileged spatial and trajectory guidance while preserving the original inference pathway. A frozen geometry foundation model provides multi-level spatial guidance to hierarchical navigator states, while relative-heading and expert-route progress objectives provide complementary trajectory-state supervision. All auxiliary components are used only during training and removed at deployment. On R2R-CE validation-unseen, StageVLN achieves 56.3\% SR and 51.4\% SPL with a 4B-parameter backbone, without an additional geometry encoder at inference. On RxR-CE, it achieves 54.3\% SR without additional navigation training data or a geometry encoder at inference.
- Abstract（参考訳）: ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)ポリシーは、大きなヴィジュアル言語モデル(VLM)によって提供される強力なセマンティック・プライオリティの恩恵を受けている。
しかし、標準的な行動監督は、シーンの幾何学、相対的な方向、またはグローバルなエピソードの進行を保存するための中間表現を明示的に奨励していない。
深度推定器、明示的なマップ、ポイントクラウド、またはジオメトリ基礎モデルを推論時に組み込むことは、そのような構造を提供することができるが、追加の計算、メモリオーバーヘッド、デプロイメント中のアーキテクチャ依存を導入することができる。
本稿では,従来の推論経路を保ちながら,空間的および軌跡的誘導によってナビゲーション表現を形作る訓練フレームワークであるStageVLNを紹介する。
凍結幾何基礎モデルは階層的なナビゲータ状態に対して多段階の空間ガイダンスを提供する一方、相対的頭脳と専門的ルートの進行目標は相補的な軌道状態の監督を提供する。
すべての補助コンポーネントは、トレーニング時にのみ使用され、デプロイ時に削除される。
R2R-CE検証では、StageVLNは56.3\% SRと51.4\% SPLを4Bパラメータのバックボーンで達成している。
RxR-CEでは、追加のナビゲーショントレーニングデータや推論時の幾何エンコーダなしで54.3\%のSRを達成する。
関連論文リスト
- SparseNav: Instruction-conditioned Sparse Semantic Perception for Training-Free Vision-Language Navigation [5.542420543782519]
SparseNavは、セマンティックナビゲーションのより少ない原則に従う、トレーニング不要のフレームワークである。
SparseNavは、軽量な幾何学鳥眼ビュー(BEV)マップとスパースランドマークメモリを持続的に維持する。
命令条件付きウェイポイントナビゲーションを用いて,複数の屋内環境にまたがる実効性を検証した。
論文 参考訳（メタデータ） (2026-09-22T13:41:49Z) - VTInstructor: Visual Trajectory Prompting for Navigation Instruction Generation in Continuous Environments [14.629408091049982]
連続環境のための最初のVLN命令生成フレームワークであるVTInstructorを提案する。
EDTCは長いRGB軌跡をナビゲーションクリティカルに凝縮し、VTPはパス、ターン、ゴールキューをこれらのアンカーにオーバーレイし、VTModはその結果の軌跡信号をビジュアルエンコーダに注入する。
挑戦的なR2R-CEとRxR-CE Val Unseenベンチマークでは、VTInstructorが標準のNLGメトリクスにまたがって新しい最先端の技術を設定している。
論文 参考訳（メタデータ） (2026-08-15T15:31:27Z) - Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial Memory [69.51256305550844]
PSC-AVDNは3段階のParsing-Search-Confirmation推論パイプラインを構造化空間記憶と密結合する学習自由フレームワークである。
PSC-AVDNは、トレーニング不要の設定、マッチング、あるいはいくつかの微調整されたメソッドの超越において、新しい最先端のパフォーマンスを確立する。
論文 参考訳（メタデータ） (2026-07-13T13:14:20Z) - SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。
このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。
R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
論文 参考訳（メタデータ） (2026-06-08T03:42:08Z) - GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation [75.85672467847631]
本稿では,3次元のコンパクトな特徴表現であるGeometry-Aware BEV (GA-BEV)を紹介する。
視覚的特徴を3次元空間に投影することで,RGB-D入力からBEV空間マップを構築する。
我々は,BEV空間に事前訓練された3Dファンデーションモデルの特徴を取り入れ,大規模3D再構築作業から学んだ構造的先行を注入する。
論文 参考訳（メタデータ） (2026-05-21T06:20:17Z) - SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
UAV VLNのための幾何学誘導空間表現フレームワークを提案する。
明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。
実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2026-03-22T03:56:58Z) - AgentVLN: Towards Agentic Vision-and-Language Navigation [78.739525400071]
VLN (Vision-and-Language Navigation) は、複雑な自然言語命令を、見えない環境での長距離ナビゲーションに接地するために、エンボディエージェントを必要とする。
本稿では,エッジコンピューティングプラットフォーム上に展開可能な,新規かつ効率的なナビゲーションフレームワークであるAgentVLNを提案する。
論文 参考訳（メタデータ） (2026-03-18T12:43:47Z) - DAgger Diffusion Navigation: DAgger Boosted Diffusion Policy for Vision-Language Navigation [73.80968452950854]
Vision-Language Navigation in Continuous Environments (VLN-CE) は、エージェントが自由形式の3D空間を通して自然言語の指示に従う必要がある。
既存のVLN-CEアプローチは通常、2段階のウェイポイント計画フレームワークを使用する。
本稿では,エンドツーエンド最適化VLN-CEポリシとしてDAgger Diffusion Navigation (DifNav)を提案する。
論文 参考訳（メタデータ） (2025-08-13T02:51:43Z) - Reinforced Structured State-Evolution for Vision-Language Navigation [42.46176089721314]
ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)タスクは、自然言語の指示に従って遠隔地へ移動するための実施エージェントを必要とする。
従来の手法は通常、シークエンスモデル(TransformerやLSTMなど)をナビゲータとして採用していた。
本稿では,VLNの環境レイアウトの手がかりを効果的に維持するために,構造化状態進化(SEvol)モデルを提案する。
論文 参考訳（メタデータ） (2022-04-20T07:51:20Z)
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。