論文の概要: AirGroundVLN: A Large-Scale Benchmark for Goal-Oriented Air-Ground Collaborative Vision-and-Language Navigation

• arxiv url: http://arxiv.org/abs/2610.10421v1
• Date: Wed, 07 Oct 2026 17:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.064762
• Title: AirGroundVLN: A Large-Scale Benchmark for Goal-Oriented Air-Ground Collaborative Vision-and-Language Navigation
• Title（参考訳）: AirGroundVLN: ゴール指向型空域協調型視覚・言語ナビゲーションのための大規模ベンチマーク
• Abstract要約: AirGroundVLNは、19のUnreal Engine環境にわたる10,281のナビゲーションエピソードと955のターゲットインスタンスを含むベンチマークである。 ベンチマークと並行して,時空間アンコール型協調記憶(SACM)とAGRLP(Aerial-Guided Regional-to-Local Planning)の2つの主要なコンポーネントからなるトレーニング可能な参照フレームワークであるAG-CoNAVを提案する。
• 参考スコア（独自算出の注目度）: 6.216776081863016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Goal-oriented Vision-and-Language Navigation (VLN) requires agents to locate and reach targets described in natural language without prescribed routes. Air--ground collaboration is valuable for tasks requiring both wide-area search and fine-grained localization. However, systematic study of goal-oriented air--ground collaborative VLN remains limited by the lack of large-scale, diverse benchmarks and two core challenges: 1) substantial differences between aerial and ground views, together with useful observations becoming unavailable as navigation proceeds, make it difficult to maintain spatially consistent context across platforms and over time; and 2) asymmetric spatial observability makes ground perception locally detailed but spatially limited and aerial perception broad but locally coarse, limiting the reliability of single-platform planning. To address these limitations, we introduce AirGroundVLN, a benchmark containing 10,281 navigation episodes and 955 target instances across 19 Unreal Engine environments, with seen/unseen splits and an aerial-visibility protocol for systematic evaluation. Alongside the benchmark, we propose AG-CoNAV, a trainable reference framework comprising two key components: Spatiotemporally Anchored Collaborative Memory (SACM) and Aerial-Guided Regional-to-Local Planning (AGRLP). SACM maintains and retrieves spatially consistent historical context across aerial and ground observations. Meanwhile, AGRLP combines regional aerial guidance with fine-grained ground navigation. Extensive experiments demonstrate the effectiveness of AG-CoNAV and establish AirGroundVLN as a comprehensive benchmark for future exploration.
• Abstract（参考訳）: VLN(Goal-oriented Vision-and-Language Navigation)は、自然言語で記述された目標の特定と到達をエージェントに要求する。 空地共同作業は広域探索と微粒化の両方を必要とする作業に有用である。 しかし、大規模で多様なベンチマークの欠如と2つのコア課題により、目標指向の空対地共同VLNの体系的研究は依然として限られている。 1) 航空と地上の視界の実質的な差異は、航法が進むにつれて観測が不可能になるとともに、プラットフォームや時間とともに空間的に一貫した状況を維持することが困難になる。 2)非対称な空間観測は,地上の知覚を局所的に詳細にするが,空間的に制限され,空間的に広く,局所的に粗いものにし,単一プラットフォーム計画の信頼性を損なう。 これらの制限に対処するため、19のUnreal Engine環境における10,281のナビゲーションエピソードと955のターゲットインスタンスを含むベンチマークであるAirGroundVLNを導入する。 ベンチマークと並行して,時空間的アンコール型協調記憶(SACM)とAGRLP(Aerial-Guided Regional-to-Local Planning)の2つの主要なコンポーネントからなるトレーニング可能な参照フレームワークであるAG-CoNAVを提案する。 SACMは、空中と地上の観測を通して空間的に一貫した歴史的文脈を維持し、回収する。 一方、AGRLPは、地域の航空誘導ときめ細かい地上航法を組み合わせたものである。 大規模な実験はAG-CoNAVの有効性を示し、将来の探査のための総合的なベンチマークとしてAirGroundVLNを確立する。

関連論文リスト

• 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)
• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• History-Enhanced Two-Stage Transformer for Aerial Vision-and-Language Navigation [64.51891404034164]
  Aerial Vision-and-Language Navigation (AVLN) は、大規模都市環境でターゲットをローカライズするために無人航空機(UAV)のエージェントを必要とする。 既存のUAVエージェントは通常、これらの2つの側面のバランスに苦しむ単粒度フレームワークを採用する。 この研究は、粗いナビゲーションパイプラインを通じて2つの側面を統合するヒストリ強化2段階トランスフォーマー(HETT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-16T09:16:07Z)
• UAV-ON: A Benchmark for Open-World Object Goal Navigation with Aerial Agents [17.86691411018085]
  UAV-ONは、オープンワールド環境における航空エージェントによる大規模目標航法(NavObject)のベンチマークである。 多様な意味領域と複雑な空間レイアウトを備えた14の高忠実なUnreal Engine環境で構成されている。 1270のアノテートされたターゲットオブジェクトを定義し、それぞれがカテゴリ、物理フットプリント、視覚ディスクリプタをエンコードするインスタンスレベルの命令によって特徴付けられる。
  論文  参考訳（メタデータ） (2025-08-01T03:23:06Z)
• Think Global, Act Local: Dual-scale Graph Transformer for Vision-and-Language Navigation [87.03299519917019]
  本稿では,2次元グラフ変換器 (DUET) を提案する。 我々は,グローバルな行動空間における効率的な探索を可能にするために,トポロジカルマップをオンザフライで構築する。 提案手法であるDUETは、目標指向の視覚・言語ナビゲーションベンチマークにおいて最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-02-23T19:06:53Z)

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。