論文の概要: Revealing and Bridging the Physical Executability Gap in Vision-Language Navigation

• arxiv url: http://arxiv.org/abs/2610.25687v1
• Date: Mon, 19 Oct 2026 02:36:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:41:23.476719
• Title: Revealing and Bridging the Physical Executability Gap in Vision-Language Navigation
• Title（参考訳）: 視覚言語ナビゲーションにおける身体的実行可能性ギャップの探索とブリッジング
• Abstract要約: 連続視覚言語ナビゲーション (Continuous Vision-and-Language Navigation, VLN) は通常、目標達成の成功によって評価される。 本研究では, 現在のシミュレータにおける許容接触モデルが, 物理的に不可能な動作を隠蔽する可能性があることを示す。 本稿では,VLNポリシーを物理的に実行可能な未来と整合させるフレームワークであるVisual-Semantic Traversability Alignment (VeSTA)を紹介する。
• 参考スコア（独自算出の注目度）: 32.95447888855855
• License:
• Abstract: Continuous vision-and-language navigation (VLN) is typically evaluated by goal-reaching success, assuming it reflects an agent's ability to execute language-grounded behavior. We show that this assumption can fail: permissive contact models in current simulators may mask physically infeasible actions, creating a physical executability gap between semantic competence and embodied realization. To bridge this gap, we introduce Visual-Semantic Traversability Alignment (VeSTA), a framework that aligns VLN policies with physically executable futures. We define visual-semantic traversability as the ability to predict instruction-conditioned trajectories that are semantically valid, geometrically feasible, and physically robust. VeSTA addresses this misalignment through two complementary mechanisms: improving executable support in trajectory generation and risk-aware selection among multimodal futures. Specifically, Trajectory Relative Group Policy Optimization uses strict-contact feedback to reshape the candidate distribution toward executable regions, while the Traversability Risk Critic learns a risk-adjusted scalar utility for candidate-wise future selection. Experiments on R2R and RxR reveal substantial dependence of existing VLN agents on simulator contact semantics. Under strict-contact evaluation, VeSTA substantially reduces collision-induced failures while preserving or improving goal-reaching performance, and controlled real-world robot experiments provide evidence that the learned preference transfers beyond simulation.
• Abstract（参考訳）: 連続視覚言語ナビゲーション(Continuous Vision-and-Language Navigation, VLN)は、エージェントが言語基底の動作を実行する能力を反映していると仮定して、目標達成の成功によって評価される。 現在のシミュレータにおける許容接触モデルは、物理的に実現不可能な動作を隠蔽し、意味的能力と具体的実現の間の物理的実行可能性のギャップを生じさせる可能性がある。 このギャップを埋めるために、VLNポリシーを物理的に実行可能な未来と整合させるフレームワークであるVisual-Semantic Traversability Alignment (VeSTA)を導入する。 視覚的意味論的トラバーサビリティは,意味論的に妥当で,幾何学的に実現可能で,物理的に堅牢な命令条件付きトラジェクトリを予測する能力として定義する。 VeSTAは、軌跡生成における実行可能なサポートの改善と、マルチモーダルな未来におけるリスク認識の選択という2つの相補的なメカニズムを通じて、このミスアライメントに対処する。 特に、軌道相対的グループポリシー最適化では、厳密な接触フィードバックを使用して、実行可能領域への候補分布を再構築する一方、トラバーサビリティリスク批判は、候補-将来の選択のためのリスク調整スカラーユーティリティを学習する。 R2RとRxRの実験は、既存のVLNエージェントがシミュレータの接触セマンティクスにかなり依存していることを明らかにする。 厳密な接触評価の下では、VeSTAは目標達成性能を維持したり改善したりしながら、衝突による失敗を著しく低減し、実世界のロボット実験を制御することで、学習された嗜好がシミュレーションを超えて伝達されることを示す。

関連論文リスト

• READ: Learning Risk-Informed Fields for End-to-End Autonomous Driving [24.54780591783853]
  本稿では,相補的な幾何学的制約と行動的制約から,明示的で計画的なリスク表現を学習するフレームワークREADを紹介する。 READは、この表現を連続時間フィールドとしてインスタンス化し、候補軌跡に沿って異なるクエリを可能にする。 NAVSIMの実験では、一致したエンドツーエンドのバックボーン間で一貫したゲインと、VLA設定での強いパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2026-09-11T02:40:51Z)
• From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
  AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。 敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。 実験の結果、最大40.6%のトレーニングステップが短縮された。
  論文  参考訳（メタデータ） (2026-06-12T02:13:55Z)
• Beyond Waypoints: Dual-Heatmap Grounding for Cross-Embodiment Semantic Navigation [13.081539889943906]
  本研究では,FOV内セマンティックナビゲーションの実践的な設定に焦点を当てる。 本稿では,Dual-Heatmap表現に有利な単一点回帰を放棄する統合ビジョン・ランゲージフレームワークを提案する。 本フレームワークは,8Bベースライン間の最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-19T06:12:59Z)
• Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models [15.486973209713954]
  GTA-VLA(Guide, Think, Act)はインタラクティブなビジョンランゲージ・アクション・フレームワークである。 ユーザがロボットポリシーを明示的な視覚的手がかりでガイドできるようにすることで、空間的に操作可能な具体的推論を可能にする。
  論文  参考訳（メタデータ） (2026-05-13T14:58:29Z)
• \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
  textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。 textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。 実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-01-26T06:16:17Z)
• Exploring Semantic-constrained Adversarial Example with Instruction Uncertainty Reduction [51.50282796099369]
  本稿では,多次元命令の不確実性低減フレームワークを開発し,意味論的に制約された逆の例を生成する。 言語誘導サンプリングプロセスの予測により、設計したResAdv-DDIMサンプルにより最適化プロセスが安定化される。 セマンティック制約付き3次元逆数例の参照フリー生成を初めて実現した。
  論文  参考訳（メタデータ） (2025-10-27T04:02:52Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)

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。