論文の概要: Onboard Lightweight LLM Reasoning for Human-Aware Safe UAV Navigation

• arxiv url: http://arxiv.org/abs/2610.22092v1
• Date: Thu, 15 Oct 2026 15:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.166535
• Title: Onboard Lightweight LLM Reasoning for Human-Aware Safe UAV Navigation
• Title（参考訳）: 安全UAVナビゲーションのための軽量LDM推論
• Abstract要約: リアルタイムUAVナビゲーションのためのモジュール式で完全に搭載されたパイプラインを提示する。 共有BLIPエンコーダはキャプションとテキスト条件のセグメンテーションを駆動する。 認識パイプラインはJetson Orin NX上で10Hzで動作し、フォールバックLLMクエリは約0.8秒で制御クリティカルパスを離れる。
• 参考スコア（独自算出の注目度）: 18.160833026926948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aerial robots operating near people must treat a pedestrian, a parked car, and a wall differently, yet conventional perception--planning stacks reduce all of them to occupied geometry---a \emph{human-aware safety gap} in which category-specific clearance is unavailable to the planner and temporary occlusions remove pedestrian-specific constraints from its map. We present a modular, fully onboard pipeline that closes this gap by turning visual observations into context-dependent safety constraints for real-time UAV navigation. A shared BLIP encoder drives scene captioning and text-conditioned segmentation, which is fused with depth to localize obstacles in 3D. Obstacle-specific risk is inferred by a lightweight LLM (Qwen-2.5-0.5B) stabilized with retrieval-augmented generation and grammar-constrained decoding that restricts its output to a planner-compatible JSON schema. The LLM reasons once per object category rather than per frame: its verdicts are cached per class, so previously seen categories are resolved without inference and new ones trigger a fresh retrieval-grounded query; detections are additionally given persistent identities and held in the map across occlusions. The perception pipeline runs at 10\,Hz on a Jetson Orin NX, while fallback LLM queries take approximately 0.8\,s and remain off the control-critical path. In Gazebo, low-altitude urban navigation among pedestrians and vehicles shows a roughly $3\times$ reduction in collision events over a geometric planner, and semantics-aware landing among moving actors raises success from 34\% to 96\%. The 224-pixel encoder input limits reliable small-object perception at range; conservative pedestrian margins and short-term persistence mitigate this limitation during navigation.
• Abstract（参考訳）: 歩行者、駐車中の車、壁を別々に扱わなければならないが、従来の知覚計画スタックは、全てを占有した幾何学に還元する。--------a \emph{human-aware safety gap} - カテゴリー固有のクリアランスがプランナーに利用できない、一時的な閉塞は、歩行者固有の制約を地図から取り除く。 我々は、視覚的な観察をリアルタイムUAVナビゲーションのコンテキスト依存の安全制約に変換することで、このギャップを埋めるモジュラーで完全に搭載されたパイプラインを提案する。 共有BLIPエンコーダは、シーンキャプションとテキスト条件のセグメンテーションを駆動し、奥行きを融合して障害物を3Dでローカライズする。 障害物固有のリスクは、検索強化された生成と文法制約付き復号化によって安定化された軽量 LLM (Qwen-2.5-0.5B) によって推測される。 検証はクラスごとにキャッシュされるので、これまで見られたカテゴリは推論なしで解決され、新しいカテゴリは新たな検索地上クエリをトリガーする。 認識パイプラインはJetson Orin NX上で10\,Hzで動作し、フォールバックLLMクエリは約0.8\で制御クリティカルパスから離れる。 ガゼボでは、歩行者や車両の低高度都市航法では、幾何学的プランナーによる衝突事故が約3ドル(約3300円)削減され、移動中の俳優のセマンティックス・アウェア・ランディング(セマンティックス・アウェア・ランディング)が34セントから96セントに上昇する。 224ピクセルのエンコーダ入力は、信頼できる小さな物体の認識範囲を制限し、保守的な歩行者マージンと短期的な持続性は、ナビゲーション中にこの制限を緩和する。

関連論文リスト

• If It Moves, Radar Knows: A Physics-Aware Radar Transformer for Class-Agnostic Moving-Object Detection [18.394131504081404]
  Physics-Aware Radar Transformer (PART) は、レーダーのみの検出器であり、各移動物体仮説に対する存在信頼度、代表面点、および2次元地上面速度を予測する。 クラスに依存しない平均精度(CA-AP)は0.8827、平均表面翻訳誤差(mASTE)は0.3188m、平均速度誤差(mAVE)は0.8084m/sである。
  論文  参考訳（メタデータ） (2026-09-02T08:39:02Z)
• LP-NavOA: Integrated Local Navigation and Obstacle Avoidance for Humanoid Robots under Limited Perception [4.290777350661877]
  LP-NavOAは、ヒューマノイドロボットのための限定的なナビゲーションおよび障害物回避フレームワークである。 実行時にLP-NavOAは、プロプレセプション、短距離ローカルレンジセンシング、ボディフレームの目標方向を使用する。 MuJoCoのオープンウォールや屋内レイアウトでは、蒸留したプランナーが障害物バイパスと回避後のゴール回復を発生させる。
  論文  参考訳（メタデータ） (2026-06-22T12:31:18Z)
• Think as Needed: Geometry-Driven Adaptive Perception for Autonomous Driving [4.320171553006484]
  現在の3D検出モデルは、すべてのフレームに固定された計算予算を適用し、単純なシーンでリソースを浪費すると同時に、複雑なシーンのキャパシティを欠いている。 本稿では,各LiDARフレームの幾何学的複雑さを測定する適応型知覚アーキテクチャである拡張HOPEを提案する。 nuScenesとCARLAのベンチマークでは、強化HOPEは、正確さを損なわずに単純なシーンでのレイテンシを38%削減し、稀なロングテールシナリオでは平均平均精度を2.7ポイント改善している。
  論文  参考訳（メタデータ） (2026-05-11T07:34:13Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
  オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。 既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。 本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
  論文  参考訳（メタデータ） (2026-04-18T20:23:27Z)
• OmniVLN: Omnidirectional 3D Perception and Token-Efficient LLM Reasoning for Visual-Language Navigation across Air and Ground Platforms [33.40889181799252]
  言語誘導型エンボディナビゲーションでは、エージェントがオブジェクト参照命令を解釈し、複数の部屋を探索し、参照されたターゲットをローカライズし、それに対する信頼できる動きを実行する必要がある。 OmniVLNは、全方位3次元知覚とトークン効率の高い階層的推論を、空中と地上の両方で組み合わせたゼロショット視覚言語ナビゲーションフレームワークである。 実験により、提案した階層インタフェースは空間参照精度を77.27%から93.18%に改善し、マルチルームの乱雑な設定で累積的なプロンプトトークンを61.7%削減し、フラットで最大11.68%のナビゲーション成功率向上を実現した。
  論文  参考訳（メタデータ） (2026-03-18T04:26:30Z)
• CORAL: COntextual Reasoning And Local Planning in A Hierarchical VLM Framework for Underwater Monitoring [10.250809787836607]
  オイスターサンゴ礁は生物多様性を維持し、水を濾過し、海岸線を保護する重要な生態系種である。 礁の健康を評価するための通常の水中モニタリングは、人間のダイバーが行う場合、費用がかかり、危険であり、制限される。 既存の自律型水中車両(AUV)は、シーンセマンティクスを解釈できない幾何学に基づくナビゲーションに依存している。 近年の視覚言語モデル(VLM)は知的探索のセマンティック推論を可能にするが、既存のVLM駆動システムはエンドツーエンドのパラダイムを採用している。 低レベルのリアクティブ制御から高レベルのセマンティック推論を分離するフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2026-03-16T03:35:08Z)
• Direct Contact-Tolerant Motion Planning With Vision Language Models [64.48049143625063]
  乱雑な環境でのナビゲーションは、しばしばロボットが可動または変形可能な物体との接触を許容する必要がある。 本稿では,視覚言語モデル(VLM)を直接的視点認識とナビゲーションに統合したDCTプランナを提案する。 我々はIsaac Simと本物のカーライクなロボットにDCTを実装し、移動障害物のある散らばった環境において、DCTが堅牢で効率的なナビゲーションを実現することを実証した。
  論文  参考訳（メタデータ） (2026-03-05T10:05:00Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)

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。