論文の概要: PASS-VLN: Passability-Aware Local-Command Vision-and-Language Navigation

• arxiv url: http://arxiv.org/abs/2610.22812v1
• Date: Fri, 16 Oct 2026 01:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.729315
• Title: PASS-VLN: Passability-Aware Local-Command Vision-and-Language Navigation
• Title（参考訳）: PASS-VLN:Passability-Aware Local-Command Vision-and-Language Navigation
• Abstract要約: 本稿では,パスビリティを意識したローカルコマンドVLNベンチマークとモデルであるPASS-VLNを提案する。 実験の結果,PASS-VLNは強いVLNモデルに対して,衝突のない成功率を約12ポイント向上することがわかった。
• 参考スコア（独自算出の注目度）: 13.205176711485798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable vision-and-language navigation (VLN) requires not only understanding instructions but also determining whether and how a robot can physically execute them. However, existing VLN benchmarks typically assume executable instructions and focus on long-horizon tasks. This leaves body-dependent local execution, including passability and collision-free execution, largely unexamined. Evaluating these factors within long-horizon tasks would entangle local physical execution with task planning and long-term spatial memory, making navigation failures difficult to attribute. We therefore focus on grounding local navigation commands in executable motion under environmental and robot body constraints. We present PASS-VLN, a passability-aware local-command VLN benchmark and model. The benchmark holds the scene, instruction, start pose, and reference route fixed while varying robot body width, requiring target completion when the instructed passage is feasible and stopping before blockage otherwise. Our model encodes body width through obstacle inflation in a depth-derived local bird's-eye view, fuses geometry with visual and linguistic context, and predicts discrete latent action codes for continuous closed-loop execution. Experiments show that PASS-VLN improves collision-free success by approximately 12 percentage points over a strong VLN model fine-tuned on our benchmark, while adapting reach-versus-stop behavior to body constraints and generalizing to unseen body widths. When integrated with a high-level planner, PASS-VLN achieves higher success with fewer local commands, while real-world deployment further demonstrates its effectiveness as a low-level executor. The benchmark and model will be released.
• Abstract（参考訳）: 信頼性の高い視覚・言語ナビゲーション(VLN)は、指示を理解するだけでなく、ロボットがそれらを物理的に実行できるかどうかを判断する必要がある。 しかしながら、既存のVLNベンチマークは通常、実行可能命令を仮定し、長距離タスクにフォーカスする。 これにより、パスビリティや衝突のない実行を含む、身体依存のローカル実行は、ほとんど検討されていない。 長期タスクにおけるこれらの要因を評価することは、局所的な物理的実行をタスク計画や長期空間記憶と絡めて、ナビゲーション障害を原因とするのは困難である。 そこで我々は,環境やロボットの身体制約下での動作に局所的なナビゲーションコマンドを接地することに焦点を当てた。 本稿では,パスビリティを意識したローカルコマンドVLNベンチマークとモデルであるPASS-VLNを提案する。 ベンチマークは、ロボット本体の幅を変えながら、シーン、命令、開始ポーズ、参照ルートを固定し、指示された通路が実行可能で、ブロック前に停止するときに目標完了を要求する。 本モデルでは, 深部鳥眼ビューにおける障害物インフレーションによる体幅のエンコードを行い, 形状を視覚的, 言語的コンテキストと融合し, 連続的な閉ループ実行のための離散潜在行動符号を予測する。 実験の結果,PASS-VLNは衝突防止効果を約12ポイント向上することが示された。 高レベルのプランナと統合されると、PASS-VLNはより少ないローカルコマンドで高い成功を達成し、実際のデプロイメントは低レベルのエグゼキュータとしての有効性をさらに示す。 ベンチマークとモデルがリリースされる。

関連論文リスト

• Think Like a Pilot: Fine-Grained Long-Horizon UAV Navigation [22.062997228195815]
  言語誘導型UAVエージェントは、スムーズで物理的に実行可能な連続飛行コマンドを生成しながら、長い水平意味指示を実行しなければならない。 textbfFine-fine textbfLong-horizon textbf Instruction-textbfGuided benchmark for textbfHybrid UAV navigation and reasoning textbfTasks。 UAVエージェントにタスク実行状況とミッション計画に対するリアルタイム飛行中の推論能力を与えるため、我々は、
  論文  参考訳（メタデータ） (2026-06-05T02:23:05Z)
• Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
  LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。 LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。 実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
  論文  参考訳（メタデータ） (2026-04-23T17:59:04Z)
• VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models [80.1055544841585]
  ビジョン・ランゲージ・アクションモデルは通常、視覚観察と言語指示を直接ロボット制御信号にマッピングする。 本稿では,高レベルの推論と低レベルの実行を,構造化された視覚的プロンプトインタフェースを介して分離する,デュアルシステムフレームワークであるVP-VLAを提案する。 Robocasa-GR1-TabletopベンチマークとSimplerEnvシミュレーションの実験は、VP-VLAが成功率を5%と8.3%改善することを示した。
  論文  参考訳（メタデータ） (2026-03-23T14:08:58Z)
• AgentVLN: Towards Agentic Vision-and-Language Navigation [78.739525400071]
  VLN (Vision-and-Language Navigation) は、複雑な自然言語命令を、見えない環境での長距離ナビゲーションに接地するために、エンボディエージェントを必要とする。 本稿では,エッジコンピューティングプラットフォーム上に展開可能な,新規かつ効率的なナビゲーションフレームワークであるAgentVLNを提案する。
  論文  参考訳（メタデータ） (2026-03-18T12:43:47Z)
• HaltNav: Reactive Visual Halting over Lightweight Topological Priors for Robust Vision-Language Navigation [1.774434289475737]
  VLN(Vision-and-Language Navigation)は、厳格なステップバイステップの指示から、オープンな語彙、ゴール指向の自律性へとシフトしている。 本稿では,OsmAGのロバストなグローバルプランニングと,VLNの局所探索と命令グラウンド機能を組み合わせた階層型ナビゲーションフレームワークHaltNavを提案する。
  論文  参考訳（メタデータ） (2026-03-13T06:22:35Z)
• History-Conditioned Spatio-Temporal Visual Token Pruning for Efficient Vision-Language Navigation [18.716145266309802]
  Vision-Language Navigation (LNV)は、ロボットが視覚的に接地された環境で自然言語の指示に従うことを可能にする。 近年のVision-Language-Action-Modelでは,ナビゲーション性能は高いが,リアルタイムデプロイメントを制限している計算遅延は大きい。 VLNベースのVLNに適した学習自由な視覚言語フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-06T17:03:16Z)
• Critic in the Loop: A Tri-System VLA Framework for Robust Long-Horizon Manipulation [5.339854280045898]
  Critic in the Loopは動的VLM-Expertスケジューリングによって駆動される適応的階層型フレームワークである。 中心となるのは、グローバル推論のためのVLM脳、リアクティブ実行のためのVLA小脳、軽量な視覚的批判を含む、バイオニックなTri-Systemアーキテクチャである。 我々のアーキテクチャは、人間にインスパイアされたルールをシームレスに統合し、無限の再試行ループを直感的に破る。
  論文  参考訳（メタデータ） (2026-03-05T13:55:33Z)
• AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
  視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。 無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。 本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
  論文  参考訳（メタデータ） (2026-02-10T11:08:07Z)
• VL-LN Bench: Towards Long-horizon Goal-oriented Navigation with Active Dialogs [51.18508300818979]
  Vision Language-Language Navigation (VL-LN)ベンチマークは、ダイアログ対応ナビゲーションモデルのトレーニングと評価のための大規模で自動生成されたデータセットを提供する。 VL−LNは、トレーニング用41k以上の長軸ダイアログ拡張軌道と、エージェントクエリに応答可能なオラクルを備えた自動評価プロトコルとを備える。
  論文  参考訳（メタデータ） (2025-12-26T19:00:12Z)
• Waypoint Models for Instruction-guided Navigation in Continuous Environments [68.2912740006109]
  本稿では,言語条件付きウェイポイント予測ネットワークのクラスを開発し,この問題について検討する。 プロファイリングされたLoCoBotロボット上でのタスク性能と実行時間の推定を行う。 我々のモデルは、VLN-CEにおける以前の仕事を上回り、新しい最先端の技術を公衆のリーダーボードに置きました。
  論文  参考訳（メタデータ） (2021-10-05T17:55:49Z)

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。