論文の概要: Learning Language-Conditioned Traversability Representations for Adaptive Visual Navigation

• arxiv url: http://arxiv.org/abs/2610.11622v1
• Date: Thu, 08 Oct 2026 10:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.941612
• Title: Learning Language-Conditioned Traversability Representations for Adaptive Visual Navigation
• Title（参考訳）: 適応型視覚ナビゲーションのための言語記述型トラバーサビリティ表現の学習
• Abstract要約: 適応的な視覚ナビゲーションのための言語条件付きトラバーサビリティ表現を学習するフレームワークであるLaTraNavを提案する。 その非同期アーキテクチャは、トラバーサビリティとナビゲーション目標の潜在表現を生成する、遅い視覚言語モデルを組み合わせる。 光リアリスティック画像変換は視覚リアリズムをさらに強化する。
• 参考スコア（独自算出の注目度）: 3.229256633583534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traversability is essential for visual navigation but varies with robot capabilities and user preferences. Conventional pipelines often rely on explicit costmaps or segmentation masks with predefined criteria, requiring hand-crafted rules and careful tuning. Moreover, viewpoint-dependent segmentation masks complicate asynchronous planning under perception latency. We present LaTraNav, a framework that learns language-conditioned traversability representations for adaptive visual navigation. Its asynchronous architecture combines a slow vision-language model that produces latent representations of traversability and navigation goals, with a fast flow-matching planner conditioned on these representations. To train the system, we develop a simulation-based data generation pipeline with controllable trajectories, producing observations paired with language instructions, traversability maps, goal locations, and diverse trajectories. Photorealistic image translation further enhances visual realism. Evaluations on datasets from multiple sources demonstrate effective language-guided traversability segmentation and goal localization by the slow VLM, alongside adaptive pixel-space path planning by the fast planner. Latent conditioning improves planning performance over explicit segmentation masks, while asynchronous scheduling increases the path-update rate by $6.05\times$ at the same semantic-update rate.
• Abstract（参考訳）: トラバーサビリティはビジュアルナビゲーションには不可欠だが、ロボットの機能やユーザの好みによって異なる。 従来のパイプラインは、明確なコストマップやセグメンテーションマスクを基準として、手作りのルールと注意深いチューニングを必要とすることが多い。 さらに、視点依存セグメンテーションマスクは、知覚遅延下での非同期計画を複雑にする。 適応的な視覚ナビゲーションのための言語条件付きトラバーサビリティ表現を学習するフレームワークであるLaTraNavを提案する。 その非同期アーキテクチャは、トラバータビリティとナビゲーション目標の潜在表現を生成する遅い視覚言語モデルと、これらの表現を条件とした高速なフローマッチングプランナーを組み合わせる。 システムを訓練するために,制御可能なトラジェクトリを用いたシミュレーションベースのデータ生成パイプラインを開発し,言語命令,トラバーサビリティマップ,目標位置,多様なトラジェクトリと組み合わせた観測結果を生成する。 光リアリスティック画像変換は視覚リアリズムをさらに強化する。 複数のソースからのデータセットの評価は、高速プランナーによる適応的なピクセル空間パス計画と並行して、遅いVLMによる言語誘導的トラバーサビリティセグメンテーションとゴールローカライゼーションを効果的に示す。 遅延条件付けは明示的なセグメンテーションマスクよりも計画性能を改善し、非同期スケジューリングはパス更新率を同じセマンティック更新レートで6.05\times$に向上させる。

関連論文リスト

• Multi-Task Visual Perception Network with LLM Conditioning for Autonomous Navigation [4.075320514790725]
  サービスロボットの長期ナビゲーションは、計測ドリフトの蓄積やセンサーエラーといった課題に直面している。 本稿では,グローバルな一貫した地図への依存を解消する,ユーザフレンドリでインタラクティブなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:38:52Z)
• NaviAIS: A Scenario-Level Vessel Trajectory Prediction Dataset withVectorized Lane Priors and the NaviLane Forecasting Framework [17.236684865710938]
  船舶軌道予測は交通管理、衝突警報、経路計画、自律航法に不可欠である。 公共のAIS資源の多くは、航法線、水路幾何学、航行可能な領域制約の構造化された表現を欠いている。 船舶軌道予測のための標準シナリオレベルのAISデータセットであるNaviAISを紹介する。 マップ認識予測のための階層的なマクロアクションフレームワークであるNaviLaneを提案する。
  論文  参考訳（メタデータ） (2026-07-21T09:15:06Z)
• Semantic-Driven Scale and Spatial Selection for Efficient Cross-Modal Alignment in Referring Remote Sensing Image Segmentation [14.492779733437082]
  Referring Remote Sensing Imageは、リモートセンシングイメージで自然言語表現によって指定された対象または領域をローカライズし、セグメンテーションする。 既存のRRSISモデルは大規模な基礎モデルの恩恵を受けているが、それらは主に完全な微調整に依存している。 本稿では,効率的なクロスモーダルアライメントのためのセマンティック・スケールと空間選択という新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-06-29T12:54:10Z)
• STRNet: Visual Navigation with Spatio-Temporal Representation through Dynamic Graph Aggregation [31.811040430729673]
  視覚ナビゲーションでは、ロボットは1対1の視覚的観察に基づいて目標に到達する必要がある。 近年の学習ベースアプローチは大きな進歩を遂げているが、視覚入力を表すため、簡易な特徴エンコーダと時間プーリングに依存している。 ロボットナビゲーションのための視覚的エンコーディングを強化する統合時間表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-03T07:50:53Z)
• 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)
• \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
  textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。 textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。 実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-01-26T06:16:17Z)
• FOCUS: Unified Vision-Language Modeling for Interactive Editing Driven by Referential Segmentation [55.01077993490845]
  最近のLVLM(Large Vision Language Models)は、視覚的理解と生成的モデリングを統一する有望な能力を示している。 本稿では,分割認識と制御可能なオブジェクト中心生成をエンドツーエンドフレームワークに統合した統合LVLMであるFOCUSを紹介する。
  論文  参考訳（メタデータ） (2025-06-20T07:46:40Z)
• Towards Unified Token Learning for Vision-Language Tracking [65.96561538356315]
  本稿では,VL追跡をトークン生成タスクとして用いた「textbfMMTrack」という,視覚言語(VL)追跡パイプラインを提案する。 提案フレームワークは,言語記述と境界ボックスを離散トークン列にシリアライズする。 この新しい設計パラダイムでは、全てのトークンクエリが望ましいターゲットを認識し、ターゲットの空間座標を直接予測するために必要となる。
  論文  参考訳（メタデータ） (2023-08-27T13:17:34Z)
• Dynamic Spatial Sparsification for Efficient Vision Transformers and Convolutional Neural Networks [88.77951448313486]
  視覚データにおける空間空間空間性を利用したモデルアクセラレーションのための新しい手法を提案する。 本稿では,冗長トークンを具現化する動的トークンスペーシフィケーションフレームワークを提案する。 提案手法は,CNNや階層型視覚変換器などの階層モデルに拡張する。
  論文  参考訳（メタデータ） (2022-07-04T17:00:51Z)

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。