論文の概要: VLX-Go: Robust Embodied Tracking through Multi-Stage Learning and On-Policy Refinement

• arxiv url: http://arxiv.org/abs/2610.19361v2
• Date: Mon, 19 Oct 2026 12:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.293049
• Title: VLX-Go: Robust Embodied Tracking through Multi-Stage Learning and On-Policy Refinement
• Title（参考訳）: VLX-Go:多段階学習とオンラインリファインメントによるロバストな身体追跡
• Abstract要約: 身体的な視覚的追跡には、ロボットが視覚的な観察から指定されたターゲットを識別し、そのターゲットを環境を通して追従するために自身の動きを制御する必要がある。 VLX-GOは,視覚的および言語的表現を,トラッキング固有の動作が学習される前にアライメントするべきであるという仮説に基づいて構築された,視覚言語によるウェイポイントポリシーである。
• 参考スコア（独自算出の注目度）: 10.19168235677186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embodied visual tracking requires a robot to identify a designated target from visual observations and control its own motion to follow that target through an environment. Following an isolated person is a comparatively simple demonstration of embodied visual tracking, but following the intended person among distractors remains challenging. Existing methods exhibit a substantial drop in success from single-target to distractor tracking, motivating a focus on the shared spaces that person-following robots must navigate. We present VLX-GO, a vision-language waypoint policy built around the hypothesis that visual and language representations should be aligned before tracking-specific motion is learned. The policy combines complementary frozen visual encoders, multiscale temporal context, a transformer backbone, and a lightweight head for robot-centric waypoint prediction. Its training progresses through vision--language alignment, multimodal reasoning mid-training, and tracking specialization on 19,532 oracle episodes. Compared with 41.54% distractor-tracking success for our earlier OmTrackVLA model, the complete multi-stage recipe achieves 55.80%. We then explore on-policy refinement using filtered oracle labels for states visited by the policy. This preliminary study adds 2.42 percentage points of distractor-tracking success, reaching 58.22%, while reducing collision rate by 1.99 pts. The final policy records the highest distractor- and ambiguous-tracking success rates among the compared methods. These results support staged multimodal learning as a promising direction for tracking among distractors and motivate further study of on-policy refinement for person following in shared spaces. Code is available at https://github.com/om-ai-lab/VLX-Go.
• Abstract（参考訳）: 身体的な視覚的追跡には、ロボットが視覚的な観察から指定されたターゲットを識別し、そのターゲットを環境を通して追従するために自身の動きを制御する必要がある。 孤立した人物を追従することは、比較的単純な視覚的追跡のデモンストレーションであるが、気晴らし者の意図した人物を追従することは依然として困難である。 既存の手法は、個人を追従するロボットがナビゲートしなければならない共有空間に焦点を合わせることによって、単一ターゲットから邪魔者追跡への成功を著しく減少させる。 VLX-GOは,視覚的および言語的表現を,トラッキング固有の動作が学習される前に整列すべきという仮説に基づいて構築された,視覚言語によるウェイポイントポリシーである。 このポリシーは、補完的な凍結された視覚エンコーダ、マルチスケールの時間的コンテキスト、トランスフォーマーバックボーン、ロボット中心のウェイポイント予測のための軽量ヘッドを組み合わせる。 トレーニングは、視覚言語アライメント、マルチモーダル推論中級訓練、19,532のオラクルエピソードの専門化の追跡を通じて進行する。 初期のOmTrackVLAモデルでは、41.54%のイントラクタ追跡が成功し、完全なマルチステージレシピは55.80%を達成した。 次に、政策によって訪問された州に対して、フィルタリングされたオラクルラベルを用いて、政治上の改善を探求する。 この予備研究では2.42ポイントの障害追跡成功率があり、58.22%に達し、衝突速度は1.99 pts減少している。 最終方針は、比較した手法の中で最も混乱と曖昧な追跡の成功率を記録している。 これらの結果は,多モーダル学習を障害者間の追跡の有望な方向として支援し,共有空間における追従者に対する政治的改善のさらなる研究を動機づけるものである。 コードはhttps://github.com/om-ai-lab/VLX-Goで入手できる。

関連論文リスト

• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• Iterative Scale-Up ExpansionIoU and Deep Features Association for Multi-Object Tracking in Sports [26.33239898091364]
  本稿では,スポーツシナリオに対するDeep ExpansionIoU (Deep-EIoU) という,オンラインかつ堅牢な多対象追跡手法を提案する。 従来の手法とは異なり、カルマンフィルタの使用を放棄し、スポーツシナリオにおける拡張IoUの反復的なスケールアップと深い特徴を活用して、ロバストなトラッキングを行う。 提案手法は,SportsMOTデータセットで77.2%,SportsNet-Trackingデータセットで85.4%を達成し,不規則な動き物体の追跡に顕著な効果を示した。
  論文  参考訳（メタデータ） (2023-06-22T17:47:08Z)
• OVTrack: Open-Vocabulary Multiple Object Tracking [64.73379741435255]
  OVTrackは任意のオブジェクトクラスを追跡することができるオープン語彙トラッカーである。 大規模な大語彙のTAOベンチマークに新たな最先端技術が設定されている。
  論文  参考訳（メタデータ） (2023-04-17T16:20:05Z)
• Multi-view Tracking Using Weakly Supervised Human Motion Prediction [60.972708589814125]
  さらに効果的なアプローチは、時間とともに人々の動きを予測し、それらから個々のフレームにおける人々の存在を推定することである、と我々は主張する。 これにより、時間とともに、また1つの時間フレームのビューにわたって一貫性を強制できる。 PETS2009およびWILDTRACKデータセットに対する我々のアプローチを検証するとともに、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-19T17:58:23Z)
• Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual Observations [75.60524561611008]
  この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。 まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。 本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
  論文  参考訳（メタデータ） (2021-09-28T20:25:10Z)
• Learning Target Candidate Association to Keep Track of What Not to Track [100.80610986625693]
  目標を追尾し続けるために、逸脱物を追跡することを提案します。 視覚的トラッキングにおいて, トラクタオブジェクト間の接地トルース対応を欠く問題に対処するために, 部分アノテーションと自己監督を組み合わせたトレーニング戦略を提案する。 我々のトラッカーは6つのベンチマークで新しい最先端のベンチマークを設定し、AUCスコアはLaSOTで67.2%、OxUvA長期データセットで+6.1%向上した。
  論文  参考訳（メタデータ） (2021-03-30T17:58:02Z)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)
• Kalman Filter Based Multiple Person Head Tracking [10.235946073664818]
  最先端のアプローチは、ディープラーニングに基づく視覚表現に依存している。 我々は、人間追跡のためのシンプルで効果的なターゲット表現を考案した。
  論文  参考訳（メタデータ） (2020-06-11T00:54:45Z)

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。