論文の概要: NavBind: Diagnosing Instruction-Action Binding at Route Forks in Navigation VLAs

• arxiv url: http://arxiv.org/abs/2610.29203v1
• Date: Wed, 21 Oct 2026 04:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.208869
• Title: NavBind: Diagnosing Instruction-Action Binding at Route Forks in Navigation VLAs
• Title（参考訳）: NavBind:ナビゲーションVLAにおけるルートフォークにおける命令-アクション結合の診断
• Abstract要約: 命令-アクション結合の診断にNavBindを導入する。 R2R-CEとRxR-CEから経路整列命令セグメントを組み換えて3,252の経路フォークコンテキストを構築する。 生成した局所的な行動系列と、両方の指示の下で固定された参照行動系列の可能性、および視覚的注意と帰属の変化を比較した。
• 参考スコア（独自算出の注目度）: 7.326446246225106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) navigation models translate visual observations and instructions into actions. Navigation success assesses whether an agent reaches the goal. However, reaching the goal successfully does not establish whether the model genuinely follows the instructions or relies on visual cues or navigation history. We introduce NavBind to diagnose instruction-action binding: whether changing the instruction influences the probabilistic distribution of the actions, with the navigation context fixed. We construct 3,252 route-fork contexts by recombining route-aligned instruction segments from R2R-CE and RxR-CE. Each context pairs full instructions that share the description of the route already traveled but specify different branches. Both are evaluated under the same agent state and navigation history. We compare generated local action sequences, the likelihoods of fixed reference action sequences under both instructions, and changes in visual attention and attribution. Across the evaluated models, higher reported navigation success does not imply that the model more faithfully follows the instructions.
• Abstract（参考訳）: 視覚言語アクション(VLA)ナビゲーションモデルは、視覚的な観察と指示をアクションに変換する。 ナビゲーションの成功は、エージェントがゴールに達するかどうかを評価する。 しかし、目標を達成するには、モデルが真に指示に従うか、視覚的手がかりやナビゲーション履歴に依存しているかは定かでない。 そこで我々は,NavBindを導入して,命令-アクション結合の診断を行う: 命令の変更が動作の確率的分布に影響を与えるかどうか,ナビゲーションコンテキストを固定する。 R2R-CEとRxR-CEから経路整列命令セグメントを組み換えて3,252の経路フォークコンテキストを構築する。 各コンテキストは、ルートの説明を共有する完全な命令をペアリングするが、異なるブランチを指定する。 どちらも同じエージェント状態とナビゲーション履歴で評価される。 生成した局所的な行動系列と、両方の指示の下で固定された参照行動系列の可能性、および視覚的注意と帰属の変化を比較した。 評価されたモデル全体では、より高い報告されたナビゲーションの成功は、モデルがより忠実に指示に従うことを示唆していない。

関連論文リスト

• Robust Vision-Language Navigation with Awareness of Instruction-Execution Progress [62.574709064069765]
  Vision-Language Navigation (VLN)タスクでは、エージェントはその観察を各決定点における関連する命令内容と関連付けなければならない。 VLN-AIEP (Awareness of Instruction-Execution Progress) を用いた頑健なVLNフレームワークを提案する。 VLN-AIEPは、訪問した軌跡と命令を関連付け、実行されたコンテンツに対応する埋め込みを抑える。
  論文  参考訳（メタデータ） (2026-10-09T06:57:43Z)
• NaViRrator: Robot Navigation from Human-Readable Maps through a Learned Visual Route [3.425151312415679]
  NaViRRatorは、ユーザーが指定した地図上の開始位置とゴール位置を、事前訓練された視覚言語ナビゲーション(VLN)ポリシーのためのナビゲーション指示に変換する。 そこで本研究では,スタートゴールライン条件付きフローマッチングを用いた足場を構築し,ストレートスタートゴール経路列を地図条件付き経路に変換する。 実行中、VLNポリシーは命令とエゴセントリックな観察のみを受け取り、一方、マップと足場は上流に留まり、map-to-Languageモジュールを再トレーニングすることなく実行者を置き換えることができる。
  論文  参考訳（メタデータ） (2026-09-18T04:48:37Z)
• LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
  エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。 ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:08:53Z)
• From Routes to Steps: Separating Semantic Progress from Local Execution in Vision-and-Language Navigation [2.7718125488816003]
  Route2Stepは、明示的なステップレベルインターフェースを通じてアクション生成からセマンティックプログレストラッキングを分離するフレームワークである。 R2R-CEでは、R2StepはSRを48.1%から55.3%に改善し、SPLを43.3%から48.2%に改善し、190Kの州レベルの修正サンプルを使用する。
  論文  参考訳（メタデータ） (2026-08-04T05:14:45Z)
• $A^2$Nav: Action-Aware Zero-Shot Robot Navigation by Exploiting Vision-and-Language Ability of Foundation Models [89.64729024399634]
  本研究では,ゼロショット視覚言語ナビゲーション(ZS-VLN)の課題について検討する。 通常、命令は複雑な文法構造を持ち、しばしば様々な行動記述を含む。 これらのアクション要求を正しく理解し実行する方法は重要な問題であり、アノテーション付きデータがないため、さらに困難になる。
  論文  参考訳（メタデータ） (2023-08-15T19:01:19Z)
• Counterfactual Cycle-Consistent Learning for Instruction Following and Generation in Vision-Language Navigation [172.15808300686584]
  本稿では,2つのタスクを同時に学習し,それぞれのトレーニングを促進するために本質的な相関性を利用するアプローチについて述べる。 提案手法は,様々な追従モデルの性能を改善し,正確なナビゲーション命令を生成する。
  論文  参考訳（メタデータ） (2022-03-30T18:15:26Z)
• Adversarial Reinforced Instruction Attacker for Robust Vision-Language Navigation [145.84123197129298]
  自然言語に基づくナビゲーションタスクでは,言語指導が重要な役割を担っている。 より堅牢なナビゲータを訓練し、長い指導から重要な要素を動的に抽出する。 具体的には,航法士が間違った目標に移動することを誤認することを学習する動的強化命令攻撃装置(DR-Attacker)を提案する。
  論文  参考訳（メタデータ） (2021-07-23T14:11:31Z)
• Sub-Instruction Aware Vision-and-Language Navigation [46.99329933894108]
  視覚と言語のナビゲーションには、エージェントが自然言語の指示に従って実際の3D環境をナビゲートする必要がある。 視覚的および言語的シーケンスの粒度、および命令の完了によるエージェントのトレーサビリティに焦点を当てる。 本稿では,1つのサブインストラクションを各タイミングで選択・参加する効果的なサブインストラクション・アテンション・アテンションとシフトモジュールを提案する。
  論文  参考訳（メタデータ） (2020-04-06T14:44:53Z)

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。