Fugu-MT 論文翻訳(概要): X-Fly: Learning to Reach and Stop in Full-Chunk Aerial Vision-Language Navigation

論文の概要: X-Fly: Learning to Reach and Stop in Full-Chunk Aerial Vision-Language Navigation

arxiv url: http://arxiv.org/abs/2610.21450v1
Date: Thu, 15 Oct 2026 07:54:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-16 19:13:16.260351
Title: X-Fly: Learning to Reach and Stop in Full-Chunk Aerial Vision-Language Navigation
Title（参考訳）: X-Fly:フルチャンク空中視線ナビゲーションにおけるリーチと停止の学習
Abstract要約: 大規模な視覚言語モデル上に構築された航空視覚言語ナビゲーション(VLN)エージェントは、クエリーに費用がかかる。本稿では,フルチャンク空中VLNのための訓練フレームワークであるX-Flyを紹介する。 X-Flyはテストで74.18%、テストで51.73%、BCで16.45%、フルチャンクで18.43%、DreamFlyで32.04%、29.46%に達した。
参考スコア（独自算出の注目度）: 8.336443522482169
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aerial vision-language navigation (VLN) agents built on large vision-language models are expensive to query. Executing a complete predicted action chunk before replanning amortizes this cost, reducing model inference from 195 to 42 ms per executed waypoint for our policy. It also moves the states at which the policy is queried away from expert demonstrations, which supervise neither recovery from these states nor termination at the learner's own arrival. On OpenFly test-seen, no-stop failures account for 47.78% of full-chunk behavior cloning (BC) outcomes. We present X-Fly, a staged training framework for full-chunk aerial VLN. Recovery DAgger labels learner-visited decision states with smooth chunks that reconnect to future expert segments and with STOP at the first in-region state. Flow-GRPO then jointly refines the chunked flow controller and a Bernoulli STOP policy from same-task closed-loop outcomes, supplemented by outcome-verified stopping supervision. With eight controls per decision, X-Fly reaches 74.18% SR on test-seen and 51.73% on test-unseen, compared with 16.45% and 18.43% for full-chunk BC and 32.04% and 29.46% for DreamFly.
Abstract（参考訳）: 大規模な視覚言語モデル上に構築された航空視覚言語ナビゲーション(VLN)エージェントは、クエリーに費用がかかる。再計画前の完全な予測されたアクションチャンクの実行は、このコストを償却し、我々のポリシーに対する実行されたウェイポイント当たりのモデル推論を195msから42msに削減する。また、この政策が専門家によるデモンストレーションから切り離される州を移動させ、これらの州からの回復も学習者の到着時の終了も監督しない。 OpenFlyでは、ノンストップ障害が全クランク行動クローニング(BC)の結果の47.78%を占めている。本稿では,フルチャンク空中VLNのための訓練フレームワークであるX-Flyを紹介する。 DAggerのリカバリは、学習者が訪問した意思決定状態をスムーズなチャンクでラベル付けし、将来のエキスパートセグメントとSTOPを最初のリージョンで接続する。 Flow-GRPOは、同じタスクのクローズドループ結果からチャンクフローコントローラとBernolli STOPポリシーを共同で洗練し、結果検証された停止監視によって補完する。 X-Flyはテストで74.18%、テストで51.73%、BCで16.45%、フルチャンクで18.43%、DreamFlyで32.04%、29.46%に達した。

関連論文リスト

DexPolicy: Scheduled Exploration for Trajectory-Guided Dexterous Manipulation [59.77542456468077]
器用な操作のための強化学習(RL)は、指と物体の接触を発見し、その物体を正確に制御する必要がある。我々のベースラインPPOは、5Mステップ後に最初の動作ノイズの近くで終了し、探索スケールの明示的な制御を動機付けます。 PPO, 批判のないGRPO継続, フローフリーなPPOの3つのポリシー最適化設定について検討した。
論文参考訳（メタデータ） (2026-09-30T04:19:47Z)
How Far Can GPT-6-Astra Go? Evaluating Capabilities in Zero-Shot Vision-and-Language Navigation [20.65686859199639]
連続環境におけるゼロショットビジョン・アンド・ランゲージナビゲーションにおけるGPT-6-Astraについて検討する。指示を解釈し、その環境を評価し、行動を提案する。 Open-Nav が使用した100R2R-CE val-unseen エピソードの50件について,本システムの評価を行った。
論文参考訳（メタデータ） (2026-09-17T12:14:43Z)
SUN: Persistent Programs For Language-Grounded Control-to-Learning-to-Real Policies [61.941546372624686]
既存のプロトコルはタスクのセマンティクスを廃止し、手作りの報酬と制御が検証したものから逸脱する振る舞いを残している。本稿では,SUN (Semantically UNified Programs) を導入し,幾何関係と接触関係が一度定義され,整列したモデル予測制御にコンパイルされる型付き実行プログラムについて述べる。我々のシステムであるKuafuは、言語やシーンのセマンティクスからSUNプログラムを自動で合成し、MPCによる画面表示を実現し、ステージ条件付きポリシーのトレーニング中にセマンティクスを保持する。
論文参考訳（メタデータ） (2026-08-31T17:59:16Z)
Trajectory-Relative Hindsight Distillation for Agentic Reinforcement Learning [22.776663901175663]
本稿では,一貫したターンアライメントプロトコルを備えたトラジェクトリ相対的ヒンドサイト蒸留フレームワークであるTRIALを紹介する。各決定ターンに対して、TRIALは、その決定が実現した結果の結果を抽出し、通常および後向きの文脈下で同じ反応を評価する。 WebShopとALFWorldの異なるバックボーンによる実験では、TRIALは、バックボーン、環境、評価指標の8つの組み合わせでGRPOを上回っている。
論文参考訳（メタデータ） (2026-08-07T16:12:58Z)
Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution [38.8233224696416]
Bernoulli-Continuation Policy (BCP)は、適応的な水平線実行のための軽量なプラグアンドプレイフレームワークである。 LingBot-VLAを基本方針とするRoboTwin 2.0では、BCPは13の低いタスクにおいて平均成功率を+11.08%向上させる。本物のロボットでは、BCPは成功を74%から92%、そして2つの操作タスクで44%から84%に引き上げる。
論文参考訳（メタデータ） (2026-08-04T11:21:08Z)
CheckVLA: Execution-Time Verification with Action-Conditioned World Model for Long-Horizon Mobile Manipulation [15.532709298240215]
視覚言語アクション(VLA)ポリシーは、オープンループアクションチャンクを通じて長距離移動操作を実行する。本稿では、個別に訓練されたフリーズされた行動条件付き世界モデルを用いて実行を検証するCheckVLAを提案する。 RoboCasa365では、一般的なトレーニングレシピと一致した呼び出し予算の下で、CheckVLAの平均成功率は36.1%であり、定期的なリプランでは27.6%である。
論文参考訳（メタデータ） (2026-07-29T11:31:33Z)
Look Before You Leap: Distilling Tree Search into Action Evaluation for Frozen VLA Models [60.17417174639865]
VLA(Vision-Language-Action)モデルは、大規模な事前訓練を通じて幅広い身体的能力を取得する。一般的な治療法であるポストトレーニングは、タスク固有のパフォーマンスを改善するが、事前トレーニングに価値をもたらすジェネラリスト能力は制限される。 SVAは凍結したVLAポリシーを長期的結果の認識と組み合わせたフレームワークである。
論文参考訳（メタデータ） (2026-07-04T07:53:10Z)
ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。 DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
論文参考訳（メタデータ） (2026-05-28T12:40:22Z)
Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。正しい回答の18.2%は間違っているが、肯定的な報酬がある。 6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文参考訳（メタデータ） (2026-05-17T07:08:14Z)
Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering [52.69447404069251]
大規模視覚言語モデル(VLM)は、オープン語彙推論のための強力なセマンティック先行情報を提供することにより、EQAエージェントの改良を行った。ステップレベルキャリブレーションによる探索を安定化するフレームワークPrune-Then-Planを提案する。
論文参考訳（メタデータ） (2025-11-24T22:50:50Z)

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。