論文の概要: GuidedNav: Shaping Vision-Language Navigation Representations through Pre-action Attention and Spatial Guidance

• arxiv url: http://arxiv.org/abs/2610.13122v1
• Date: Fri, 09 Oct 2026 07:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.449835
• Title: GuidedNav: Shaping Vision-Language Navigation Representations through Pre-action Attention and Spatial Guidance
• Title（参考訳）: GuidedNav: 前アクション注意と空間誘導による視覚言語ナビゲーションの表現
• Abstract要約: 視覚言語ナビゲーション(VLN)は、エージェントが拡張された命令を通して進捗を追跡し、その現在の目的に関連するランドマークを特定し、行動する空間構造を理解する必要がある。 GuidedNavは、トレーニング時のガイダンスを通じて、これらの表現を明示的に形作る統合フレームワークです。 また,より解釈可能なVLN研究を支援する2つのアノテーション強化ナビゲーションデータセットである Guided-R2R と Guided-RxR も導入した。
• 参考スコア（独自算出の注目度）: 48.385321405893315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-and-language navigation (VLN) requires an agent to track progress through an extended instruction, identify landmarks relevant to its current objective, and understand the surrounding spatial structure to act. End-to-end navigation policies typically rely on action supervision to implicitly learn these capabilities. Without explicit guidance on the evidence underlying each decision, however, policies can overfit to correlations predictive of training actions rather than learn the task-relevant grounding and geometry needed for generalization. Our insight is to guide the representations that connect instructions to actions: identifying what remains to be done determines which visual evidence matters, while understanding the geometry around that evidence informs how to move. We introduce GuidedNav, a unified framework that explicitly shapes these representations through training-time guidance. Subtask and landmark guidance steer native pre-action attention toward the active instruction segment and relevant visual regions, grounding action prediction in the current objective. Spatial guidance aligns the policy's internal representations with geometric features that capture long-horizon context and local spatial structure. Together, these objectives strengthen navigation capabilities while avoiding the inference overhead of intermediate textual reasoning and online geometric encoding. We also introduce Guided-R2R and Guided-RxR, two annotation-enriched navigation datasets that support more interpretable VLN research. GuidedNav establishes state-of-the-art performance among the compared monocular RGB policies, improving success rates by 8.1% and 13.1% relative to the strongest prior results on R2R-CE and RxR-CE val-unseen, respectively, while achieving faster inference. Extensive experiments further demonstrate the effectiveness and real-world transferability of our approach.
• Abstract（参考訳）: 視覚言語ナビゲーション(VLN)は、エージェントが拡張された命令を通して進捗を追跡し、その現在の目的に関連するランドマークを特定し、行動する空間構造を理解する必要がある。 エンド・ツー・エンドのナビゲーションポリシーは一般的にこれらの機能を暗黙的に学習するためにアクション・インスペクションに依存する。 しかし、各決定の根拠となる証拠について明確なガイダンスがなければ、政策は一般化に必要なタスク関連基盤と幾何学を学ぶよりも、訓練行動の予測する相関に過度に適合する。 私たちの洞察は、指示を行動に接続する表現を導くことである:何が残っているかを特定することによって、どの視覚的証拠が重要かを判断し、その証拠の周りの幾何学を理解することで、どのように動くかがわかる。 GuidedNavは、トレーニング時のガイダンスを通じて、これらの表現を明示的に形作る統合フレームワークです。 サブタスクとランドマーク誘導は、アクティブインストラクションセグメントと関連する視覚領域に対するネイティブな事前行動の注意を、現在の目的における行動予測を基礎づける。 空間的ガイダンスは、ポリシーの内部表現を、長期のコンテキストと局所的な空間構造をキャプチャする幾何学的特徴と整合させる。 これらの目的は、中間テキスト推論とオンライン幾何符号化の推測オーバーヘッドを回避しつつ、ナビゲーション機能を強化することである。 また,より解釈可能なVLN研究を支援する2つのアノテーション強化ナビゲーションデータセットである Guided-R2R と Guided-RxR も導入した。 GuidedNavは、比較された単分子RGBポリシーの中で最先端のパフォーマンスを確立し、R2R-CEとRxR-CEのval-unseenにおける最強の結果と比較して、成功率を8.1%と13.1%改善し、より高速な推論を実現している。 大規模な実験は、我々のアプローチの有効性と現実の伝達性をさらに実証する。

関連論文リスト

• Path-level Hindsight Instructions for Semantic Exploration in Vision-Language Navigation [49.96273402030084]
  Phi-Navは、後見推論を利用してエージェントの実際の探索旅行と指示を整合させる統合型オン政治フレームワークである。 Phi-Navは、政治的方法に固有の重要な意味的監督のギャップを埋め、意味的にラベルのない動きを密集した訓練信号に変換する。
  論文  参考訳（メタデータ） (2026-07-02T06:11:07Z)
• GoViG: Goal-Conditioned Visual Navigation Instruction Generation [69.79110149746506]
  本稿では,Goal-Conditioned Visual Navigation Instruction Generation (GoViG)を紹介する。 GoViGは生のエゴセントリックな視覚データのみを活用し、目に見えない非構造環境への適応性を大幅に改善する。
  論文  参考訳（メタデータ） (2025-08-13T07:05:17Z)
• RSRNav: Reasoning Spatial Relationship for Image-Goal Navigation [57.197881161006904]
  近年のイメージゴールナビゲーション(ImageNav)手法は,目標と自我中心の画像の意味的特徴を別々に捉え,知覚行動ポリシーを学習している。 本稿では,目標と現在の観測値の空間的関係をナビゲーションガイダンスとして考慮する,シンプルで効果的な手法であるRSRNavを提案する。
  論文  参考訳（メタデータ） (2025-04-25T00:22:17Z)
• Observation-Graph Interaction and Key-Detail Guidance for Vision and Language Navigation [7.150985186031763]
  視覚と言語ナビゲーション(VLN)では、エージェントが自然言語の指示に従う環境をナビゲートする必要がある。 既存の手法は、ナビゲーション中に視覚的な観察と指示の詳細を効果的に統合するのに苦労することが多い。 OIKGは2つのキーコンポーネントを通してこれらの制限に対処する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-03-14T02:05:16Z)
• Contrastive Instruction-Trajectory Learning for Vision-Language Navigation [66.16980504844233]
  視覚言語ナビゲーション(VLN)タスクでは、エージェントが自然言語の指示でターゲットに到達する必要がある。 先行研究は、命令-軌道対間の類似点と相違点を識別できず、サブ命令の時間的連続性を無視する。 本稿では、類似したデータサンプル間の分散と、異なるデータサンプル間の分散を探索し、ロバストなナビゲーションのための独特な表現を学習するContrastive Instruction-Trajectory Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-08T06:32:52Z)

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。