論文の概要: ADAPT: Audio-Depth Action Planning with Transition-Aware Rewards for Lights-Out Industrial Navigation

• arxiv url: http://arxiv.org/abs/2610.15956v1
• Date: Sun, 11 Oct 2026 22:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.275936
• Title: ADAPT: Audio-Depth Action Planning with Transition-Aware Rewards for Lights-Out Industrial Navigation
• Title（参考訳）: ADAPT:産業用航法用トランジッションアウェア・リワードを用いたオーディオ深度行動計画
• Abstract要約: 空間音声による照度非依存ナビゲーションを目標位置推定と障害物認識のための深度推定に用いた。 ADAPTは、空間音響認識とクローズドループナビゲーションに最適化されたオーディオ深度アクションプランニングフレームワークである。
• 参考スコア（独自算出の注目度）: 30.161239955254363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action models for embodied navigation typically rely on RGB observations, limiting their applicability in lights-out industrial environments where visible illumination may be unavailable. We study illumination-independent navigation using spatial audio for target localization and depth for obstacle-aware geometry. To support this setting, we introduce DarkNav-Bench, a benchmark with 24 industrial scenes and four progressively challenging acoustic conditions. We further propose ADAPT, an audio-depth action-planning framework equipped with spatial-audio perception and optimized for closed-loop navigation through reinforcement learning (RL). Our key RL contribution, transition-aware reward shaping (TARS), defines a pose-aware shortest-action potential over a position-heading graph. Unlike conventional geodesic-progress rewards, TARS accounts for both feasible movements and in-place rotations, providing action-consistent feedback for policy optimization. Experiments show that ADAPT consistently outperforms training-based navigation baselines and zero-shot multimodal models on both seen and unseen scenes. On unseen environments, it achieves 90.6% success under Clean conditions and retains 60.0% success under the most challenging Localized Noise setting. These results demonstrate the potential of spatial audio and depth as complementary modalities for reliable RGB-free navigation in lights-out industrial environments.
• Abstract（参考訳）: 具体化ナビゲーションのための視覚言語アクションモデルは、通常RGB観測に依存しており、可視光が利用できない工業環境における適用性を制限している。 空間音声による照度非依存ナビゲーションを目標位置推定と障害物認識のための深度推定に用いた。 この設定をサポートするために、24の産業シーンと4つの段階的な音響条件を備えたベンチマークであるDarkNav-Benchを紹介した。 さらに、空間音響認識機能を備え、強化学習(RL)による閉ループナビゲーションに最適化されたオーディオ深度アクションプランニングフレームワークであるADAPTを提案する。 我々の重要なRLコントリビューションであるTARS(transition-aware reward shaping)は、位置重みグラフ上のポーズ-アウェア・ショートアクションポテンシャルを定義する。 従来のジオデシック・プログレス報酬とは異なり、TARSは実行可能な動きと場所内回転の両方を考慮し、ポリシー最適化のためにアクション一貫性のあるフィードバックを提供する。 実験の結果、ADAPTはトレーニングベースのナビゲーションベースラインとゼロショットのマルチモーダルモデルよりも、目に見えるシーンと見えないシーンの両方で一貫して優れていた。 目に見えない環境では、クリーンな条件下で90.6%の成功を達成し、最も挑戦的な局部騒音環境下では60.0%の成功を維持している。 これらの結果から, 産業環境におけるRGBフリーナビゲーションの相補的モダリティとしての空間オーディオと深度の可能性が示された。

関連論文リスト

• GPT-6-Astra Lights Up Embodied Navigation: Evaluation in Zero-Shot Vision-and-Language Navigation in Continuous Environments [43.03393333823919]
  我々は,汎用基盤モデルであるGPT-6-Astraが,自覚,推論,意思決定能力を用いて,慣れていない環境をナビゲートできるかどうかを検討する。 単分子RGBを用いて、GPT-6-Astraはいつ観測し、どのように移動し、いつ停止するかを決定する。 R2R-CE-100では、GPT-6-Astraが81.3%の成功率を記録し、最強のゼロショットと、列車による成功率も15.3ポイント、9.2ポイントを超えた。
  論文  参考訳（メタデータ） (2026-09-24T14:21:26Z)
• LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
  エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。 ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:08:53Z)
• 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)
• What Limits Vision-and-Language Navigation ? [18.423144111320592]
  StereoNavは、現実世界のナビゲーションの一貫性を高めるために設計された、堅牢なVision-Language-Actionフレームワークである。 R2R-CEとRxR-CEの実験は、StereoNavが最先端のエゴセントリックなRGB性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-13T10:41:24Z)
• Semantic Audio-Visual Navigation in Continuous Environments [20.046962371381763]
  音響視覚ナビゲーションにより、エンボディエージェントは聴覚と視覚の両方の手がかりを利用することで、音を放出するターゲットに向かって移動することができる。 SAVNCE(Audio-Visual Navigation in Continuous Environments)を導入し、エージェントは3次元空間で自由に動き、時間的・空間的に整合したオーディオ視覚ストリームを知覚することができる。 本研究では,空間的および意味的な目標表現を共同で符号化し,過去のコンテキストを自己運動の手がかりと統合し,メモリ拡張された目標推論を可能にするマルチモーダルトランスフォーマーモデルMAGNetを提案する。
  論文  参考訳（メタデータ） (2026-03-20T05:49:50Z)
• Vision-Based Localization and LLM-based Navigation for Indoor Environments [4.58063394223487]
  本研究では,大規模言語モデル(LLM)に基づくナビゲーションと視覚的ローカライゼーションを統合した屋内ローカライゼーションとナビゲーション手法を提案する。 このモデルは、制限された視聴条件下であっても、テストされた全てのウェイポイントに対して高い信頼性と96%の精度を実現した。 本研究は、オフザシェルフカメラと一般公開フロアプランを用いた、スケーラブルでインフラストラクチャフリーな屋内ナビゲーションの可能性を示す。
  論文  参考訳（メタデータ） (2025-08-11T15:59:09Z)
• LLM-Guided Indoor Navigation with Multimodal Map Understanding [1.5325823985727567]
  屋内地図画像からコンテキスト対応ナビゲーションインストラクションを生成するための大規模言語モデル(LLM)、すなわちChatGPTの可能性を探る。 以上の結果から,パーソナライズされた屋内ナビゲーションを支援するLLMが,平均86.59%,最大97.14%の正答率を持つ可能性が示唆された。 これらの結果は、AI駆動ナビゲーションと補助技術に重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-03-12T09:32:43Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)

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。