論文の概要: PathLift: Depth-Conditioned Metric Lifting for Visual-Navigation Priors
- arxiv url: http://arxiv.org/abs/2610.16103v1
- Date: Mon, 12 Oct 2026 03:12:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 07:41:31.503518
- Title: PathLift: Depth-Conditioned Metric Lifting for Visual-Navigation Priors
- Title（参考訳）: PathLift: ビジュアルナビゲーション優先のための奥行き指定メトリックリフティング
- Abstract要約: 一般的なビジュアルナビゲーションポリシーは、どの方向に進むべきかをロボットに教える。
PathLiftは、事前に訓練された視覚ナビゲーションポリシーを解除する、ウェイポイントごとの奥行き条件付きアダプタである。
- 参考スコア（独自算出の注目度）: 4.710825549574638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generalist visual-navigation policies tell a robot which direction to go but not how far. A separate lifting step is needed at deployment to convert their unitless trajectory into a metric path that a controller can track; existing scalar lifters apply uniform scaling that misses per-waypoint corrections, while in-policy approaches that inject monocular depth into the policy inherit the prediction errors of the depth model near obstacles and at close range. We present PathLift, a per-waypoint depth-conditioned adapter that lifts a pre-trained visual-navigation policy by consuming an explicit, sensor-grade depth source (RGB-D, stereo, or projected LiDAR) and fitting per-waypoint magnitude and lateral residuals to a canonicalized prior. PathLift consistently improves closed-loop navigation across diverse visual-navigation policies in simulation and on a real wheeled robot under both stereo and LiDAR depth. By turning the policy's unitless intent into a depth-feasible metric path in a single feed-forward pass, the adapter lifts real-world success without test-time optimization.
- Abstract（参考訳）: 一般的なビジュアルナビゲーションポリシーは、どの方向に進むべきかをロボットに教える。
既存のスカラーリフトは、ウェイポイント毎の補正を見逃す均一なスケーリングを施し、政策に単眼深度を注入する政治的アプローチは、障害物や近接距離付近の深度モデルの予測誤差を継承する。
提案するPathLiftは, センサグレード深度源(RGB-D, ステレオ, 投影LiDAR)を明示的かつ高次かつ高次かつ高次に使用することにより, 事前学習した視覚ナビゲーションポリシーを引き上げる。
PathLiftは、シミュレーションや、ステレオとLiDARの両方の深度下での実際の車輪付きロボット上で、さまざまなビジュアルナビゲーションポリシーを越えて、クローズドループナビゲーションを継続的に改善する。
単一のフィードフォワードパスにおいて、ポリシーのユニットレスインテントを深度対応可能なメトリックパスに変換することで、アダプタはテストタイムの最適化なしに現実世界の成功を引き上げる。
関連論文リスト
- "Dear LLaVA, Please Drive": A Depth-Aware Vision-Language Agent for Closed-Loop Robotic Control [0.2905751301655124]
視覚言語モデル(VLM)は推論駆動のモバイルナビゲーションのための魅力的な基盤を提供する。
本稿では,Imperative Learning パラダイムを用いて,自律ナビゲーションのための事前学習VLMを微調整するパラメータ効率の手法を提案する。
本稿では,自然言語駆動型ロボット制御のためのエンドツーエンドナビゲーションパイプラインについて紹介する。
論文 参考訳（メタデータ） (2026-09-19T10:12:55Z) - EgoNav: Bridging Learned Waypoints and Geometry-Aware Local Control for Robust Indoor Navigation [7.207055231363046]
軽量なトポロジマップを用いた画像ゴールナビゲーションは,屋内ロボットの配置の実践的パラダイムである。
EgoNavは階層的なシステムで、セマンティックにセグメンテーションされたトラバース可能な領域から候補を生成する。
EgoNavは、成功率とパス効率の両方において、同時代のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-08-26T11:13:07Z) - AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - Beyond Waypoints: A Trajectory-Centric Waypointing Paradigm for Vision-Language Navigation [79.12557132788139]
VLN-CE(Vision-Language Navigation in Continuous Environments)では、エージェントが現実世界のような環境でナビゲートしながら自然言語の指示に従う必要がある。
ほとんどのVLN-CEアプローチでは、ウェイポイント予測器がウェイポイントを提案し、ナビゲータが最良のウェイポイントを選択する。
提案手法は,各候補の経路点を実行可能な軌道に配置する,トラジェクトリ・ウェイポイントという新しいパラダイムを導入する。
論文 参考訳（メタデータ） (2026-06-05T13:11:39Z) - An Open-Source LiDAR and Monocular Off-Road Autonomous Navigation Stack [35.094251140860756]
タスク固有のトレーニングを使わずに,LiDARとモノクル3次元認識の両方をサポートするオープンソースのナビゲーションスタックを提案する。
単分子配置では、ゼロショット深度予測とメートル法深度再スケーリングをスパースSLAM測定を用いて組み合わせる。
結果として得られるポイントクラウドは、コストマップベースの計画のためのロボット中心の2.5D高度マップを生成するために使用される。
論文 参考訳（メタデータ） (2026-04-03T15:19:20Z) - Learning Category-level Last-meter Navigation from RGB Demonstrations of a Single-instance [5.161531917413708]
ほとんどのRGBベースのナビゲーションシステムは、粗いメートルレベルの精度しか保証していない。
このギャップは、操作ポリシーがトレーニングデモの配布内で動作することを防ぐ。
我々は、ラストメーターナビゲーションのためのオブジェクト中心の模倣学習フレームワークを導入する。
論文 参考訳（メタデータ） (2025-12-11T23:35:05Z) - MetricNet: Recovering Metric Scale in Generative Navigation Policies [51.90872764552077]
MetricNetは、ウェイポイント間の距離を予測するジェネレーティブナビゲーションのための効果的なアドオンである。
MetricNetスケールのウェイポイントの実行はナビゲーションと探索の両方のパフォーマンスを大幅に改善することを示す。
また、MetricNetをナビゲーションポリシーに統合し、目標に向かって移動しながら障害物からロボットを誘導するMetricNavを提案する。
論文 参考訳（メタデータ） (2025-09-17T13:37:13Z) - TANGO: Traversability-Aware Navigation with Local Metric Control for Topological Goals [10.69725316052444]
ゼロショット・ロングホライゾン・ロボットナビゲーションを可能にする新しいRGBのみのオブジェクトレベルのトポロジカルナビゲーションパイプラインを提案する。
提案手法は,グローバルなトポロジカルパス計画と局所的軌跡制御を統合し,障害物を避けつつ,ロボットがオブジェクトレベルのサブゴールに向かって移動できるようにする。
シミュレーション環境と実世界の両方のテストにおいて,本手法の有効性を実証し,その堅牢性とデプロイ性を強調した。
論文 参考訳（メタデータ） (2025-09-10T15:43:32Z) - Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。
現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。
本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z)
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。