論文の概要: Map2Vid: Embodied Navigation Video Generation with Human-Friendly Motion Control

• arxiv url: http://arxiv.org/abs/2610.25223v1
• Date: Sun, 18 Oct 2026 12:39:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:40:19.041545
• Title: Map2Vid: Embodied Navigation Video Generation with Human-Friendly Motion Control
• Title（参考訳）: Map2Vid:人間フレンドリーなモーションコントロールによる身体的ナビゲーションビデオ生成
• Abstract要約: Map2Vidは、BEV-map-to-video合成問題として具体化されたナビゲーションビデオ生成を再構成する新しいタスクである。 我々は、61の屋内シーンに100万以上のナビゲーションシーケンスを持つ専用データセットを構築し、それぞれにエゴセントリックなビデオ、BEVマップ、カメラトラジェクトリ、言語指示をペアにした。
• 参考スコア（独自算出の注目度）: 33.40804372454625
• License:
• Abstract: Controllable video generation has recently achieved impressive visual quality, yet existing control paradigms remain poorly suited to embodied navigation. Text prompts are spatially ambiguous, while camera-trajectory control relies on low-level motion specifications that are unintuitive for human users and difficult to manipulate. In this work, we introduce Map2Vid, a novel task that reformulates embodied navigation video generation as a BEV-map-to-video synthesis problem, together with a large-scale benchmark for systematic evaluation. By using BEV maps, which provide a visual representation of global scene layout and intended navigation routes, Map2Vid enables human-friendly navigation video generation. To support this task, we construct a dedicated dataset with over 100K navigation sequences across 61 indoor scenes, each paired with egocentric videos, BEV maps, camera trajectories and language instructions. We further develop a unified framework that integrates multiple control signals, together with a curriculum training strategy that progressively weakens non-map inputs, enabling flexible inference under both full conditioning and map-only input. Extensive experiments across multiple foundation generation models demonstrate that controllable navigation video generation via BEV map is a viable and promising direction.
• Abstract（参考訳）: 制御可能なビデオ生成は、最近目覚ましい視覚的品質を達成したが、既存の制御パラダイムは、ナビゲーションの具体化にはあまり適していない。 テキストプロンプトは空間的に曖昧であるが、カメラ軌道制御は人間には直感的で操作が難しい低レベルのモーション仕様に依存している。 本研究では,BEV-map-to-video合成問題として具体化されたナビゲーションビデオ生成を再構成する新しいタスクであるMap2Vidと,システム評価のための大規模ベンチマークを紹介する。 グローバルなシーンレイアウトと目的のナビゲーションルートを視覚的に表現するBEVマップを使用することで、Map2Vidは人間フレンドリーなナビゲーションビデオ生成を可能にする。 このタスクを支援するために、61の屋内シーンに100K以上のナビゲーションシーケンスを持つ専用データセットを構築し、それぞれにエゴセントリックなビデオ、BEVマップ、カメラトラジェクトリ、言語指示をペアにした。 さらに、複数の制御信号を統合する統一的なフレームワークと、非マップ入力を徐々に弱め、フルコンディショニングとマップ専用入力の両方で柔軟な推論を可能にするカリキュラムトレーニング戦略を開発する。 複数のファンデーション生成モデルにわたる大規模な実験により、BEVマップによる制御可能なナビゲーションビデオ生成が実現可能で有望な方向であることを実証した。

関連論文リスト

• ReVNM: Learning-Based Visual Navigation from a Remote Camera [6.018814584837969]
  本稿では遠隔視覚ナビゲーションモデル(ReVNM)を提案する。 単一のリモート監視カメラを使用して、視覚ナビゲーションのための観測源と暗黙の環境マップの両方を提供する。 我々のReVNMは、リモートカメラ観測からエゴ中心の深度観測を予測するエクソ中心からエゴ中心(exo2ego)モジュールを備えた最先端のVNMアーキテクチャを拡張しています。
  論文  参考訳（メタデータ） (2026-09-24T03:43:13Z)
• Visual Cue Guided Video Planning for Generalizable Robot Navigation [12.951864480301294]
  CueNavは、ビジュアルキューガイド付きビデオプランニングとエンボディメント固有の逆ダイナミクスモデル(IDM)を組み合わせたモデルベースのナビゲーションフレームワークである。 グローバルタスクコンテキストを符号化するビジュアルキューにより、CueNavはキューなしで計画するよりも迷路ナビゲーションで約2倍の成功を達成している。 以上の結果から,エボディメント特異的なアクショングラウンドディングを用いた視覚誘導型映像プランニングが,汎用的なナビゲーションフレームワークへの道筋をたどっていることが示唆された。
  論文  参考訳（メタデータ） (2026-09-15T07:11:21Z)
• Goal-oriented Navigation Instruction Generation with Tour Video Priors [3.3906611506156916]
  ナビゲーション命令生成(NIG)は、ナビゲーションガイダンスのためのステップバイステップの自然言語命令を生成することを目的としている。 我々は,エゴ中心のツアービデオからナビゲーション命令を生成する,ゴール指向のビデオグラウンドNIGタスクであるVideoNIGを紹介する。 本稿では,学習を基本動作知覚と長距離ナビゲーション推論に分解する2段階のカリキュラム学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-09T09:21:47Z)
• YOPO-Nav: Visual Navigation using 3DGS Graphs from One-Pass Videos [5.7772802828964664]
  本稿では,環境を3次元ガウススプラッティング(3DGS)モデルと相互接続した空間表現に符号化するYOPO-Navを提案する。 ナビゲーション中、このフレームワークはロボットの現在の視覚的観察をこの表現と整列させ、それを実証された軌道に戻す行動を予測する。 本稿では,Clearpath Jackal ロボットを用いた YOPO-Campus のトラジェクトリに対する最近の視覚ナビゲーション手法のベンチマークを行った。
  論文  参考訳（メタデータ） (2025-12-10T18:32:38Z)
• Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance [107.25252623824296]
  Wan-Moveは、ビデオ生成モデルにモーションコントロールを提供するフレームワークである。 私たちの中核となる考え方は、動画を誘導するためのモーションアウェアを元の状態にすることです。 Wan-Moveは5秒、480pの動画を制作し、Kling 1.5の商用モーションブラシに対抗している。
  論文  参考訳（メタデータ） (2025-12-09T16:13:55Z)
• VLN-Video: Utilizing Driving Videos for Outdoor Vision-and-Language Navigation [59.3649071376364]
  既存のVLN法の性能は、ナビゲーション環境の多様性の不足と限られたトレーニングデータによって制限される。 VLN-Videoは、米国内の複数の都市において、自動生成ナビゲーション命令で動画を駆動する際の多様な屋外環境を利用する。 VLN-Videoは従来の最先端モデルのタスク完了率2.1%を大きく上回っている。
  論文  参考訳（メタデータ） (2024-02-05T22:20:19Z)
• Learning Navigational Visual Representations with Semantic Map Supervision [85.91625020847358]
  エージェントの自我中心のビューとセマンティックマップを対比してナビゲーション固有の視覚表現学習法を提案する。 Ego$2$-Map学習は、オブジェクト、構造、遷移などのコンパクトでリッチな情報を、ナビゲーションのためのエージェントのエゴセントリックな表現に転送する。
  論文  参考訳（メタデータ） (2023-07-23T14:01:05Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)

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。