論文の概要: AirPlayground: Benchmarking Aerial Navigation across Diverse Reconstructed Environments
- arxiv url: http://arxiv.org/abs/2610.29699v1
- Date: Wed, 21 Oct 2026 13:13:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.368782
- Title: AirPlayground: Benchmarking Aerial Navigation across Diverse Reconstructed Environments
- Title（参考訳）: AirPlayground: さまざまな再構築環境における航空ナビゲーションのベンチマーク
- Abstract要約: AirPlaygroundは、様々な環境における航空航法ポリシーのトレーニングと評価のための統一されたベンチマークである。
まず, 屋内, 都市屋外, 植生にまたがる94光現実的3Dガウススティング(3DGS)環境を, 整列衝突幾何学を用いて構築した。
我々は、94Kのデモンストレーションと46.5Mの同時観測状態動作サンプルを50Hzで生成する、自動専門家飛行収集のためのシーン適応パイプラインを開発した。
- 参考スコア（独自算出の注目度）: 9.242100236211101
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale aerial resources provide a foundation for learning navigation across diverse environments. However, existing resources remain limited in providing (1) densely sampled flight demonstrations for learning different policy formulations and (2) broad environment coverage for standardized closed-loop evaluation. To address these limitations, we introduce AirPlayground, a unified benchmark for training and evaluating aerial navigation policies across diverse environments. We first construct 94 photorealistic 3D Gaussian Splatting (3DGS) environments spanning indoor, urban outdoor, and vegetation settings, with aligned collision geometry. Building on these environments, we develop a scene-adaptive pipeline for automated expert flight collection, yielding 94K demonstrations and 46.5M synchronized observation-state-action samples at 50 Hz. We further provide an extensible API that supports training different policy formulations on this shared corpus and evaluating them under unified protocols in the corresponding environments. We benchmark seven baselines spanning four policy paradigms across three navigation settings in seen and unseen environments, and further examine scaling behavior with ACT. Scaling ACT's training corpus from 5 to 70 scenes raises median success rates on seen and unseen environments from 30.6% and 16.8% to 41.2% and 29.4%, respectively. Through this shared training and evaluation framework, AirPlayground supports analysis of how offline prediction errors relate to closed-loop outcomes. Our analyses highlight the roles of prediction errors, execution protocols, and scene interactions in closed-loop performance.
- Abstract（参考訳）: 大規模な航空資源は、様々な環境を横断するナビゲーションを学ぶための基盤を提供する。
しかし,(1)異なる方針の定式化を学習するための密集した飛行デモンストレーション,(2)標準化された閉ループ評価のための広範な環境カバレッジの提供には,既存の資源が限られている。
これらの制限に対処するために,さまざまな環境を対象とした航空航法ポリシーのトレーニングと評価のための統合ベンチマークであるAirPlaygroundを紹介した。
まず, 屋内, 都市屋外, 植生にまたがる94光現実的3Dガウススティング(3DGS)環境を, 整列衝突幾何学を用いて構築した。
これらの環境をベースとして,自動飛行収集のためのシーン適応型パイプラインを開発し,94Kのデモンストレーションと46.5Mの同時観測状態動作サンプルを50Hzで作成する。
さらに、この共有コーパス上で異なるポリシー定式化をトレーニングし、対応する環境における統一プロトコルの下で評価する拡張可能なAPIを提供する。
我々は,3つのナビゲーション環境における4つのポリシーパラダイムにまたがる7つのベースラインをベンチマークし,ACTによるスケーリングの挙動について検討した。
ACTのトレーニングコーパスを5シーンから70シーンに拡大すると、それぞれ30.6%から16.8%、41.2%、29.4%の未確認環境における平均的な成功率が上昇する。
この共有トレーニングと評価フレームワークを通じて、AirPlaygroundはオフライン予測エラーとクローズドループ結果との関連性の分析をサポートする。
本分析では,クローズドループ性能における予測誤差,実行プロトコル,シーンインタラクションの役割を強調した。
関連論文リスト
- Planning under Noise with Neural Operators [69.53338532337057]
不確実な制御実行ノイズの下での計画には、多様な環境における信頼性の高いフィードバックポリシーが必要である。
本研究では,未知の測地における計画のための雑音認識値場を学習するニューラル演算子であるプランニング・アンダーノイズ(PUN)を紹介する。
論文 参考訳（メタデータ） (2026-10-20T17:58:30Z) - GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors [1.2246649738388389]
本研究では,未知の動環境下で一定高度で動作する無人航空機(UAV)のキノダイナミック・オンライン・モーション・プランニングに対する学習に基づくアプローチを提案する。
提案フレームワークは,行動グリッドマップの表現をDeep Reinforcement Learning (DRL)と統合し,継続的制御における安定した政策学習を実現する。
キーとなるアイデアは、低コストな3つの指向性レンジセンサーのみを使用して、信頼性の高いナビゲーションを可能にする状態表現と制御ポリシーの共設計である。
論文 参考訳（メタデータ） (2026-09-13T10:53:43Z) - Map the Possibilities: Spatial Belief Fields for Language-Goal Aerial Navigation [49.03955946482723]
SBFNavは、言語条件付き空間的信念場を中心としたクローズドループナビゲーションフレームワークである。
主に観測されたことを記録しているエゴ中心の地図とは異なり、SBFレポジトリ-はタスク条件付き分布を可視な目標位置上で再送する。
SBFNavは、制御のためのメットリックなウェイポイントとして、命令と観察に最も適したゴールを選択する。
論文 参考訳（メタデータ） (2026-09-05T03:11:01Z) - AeroGround: A Comprehensive Benchmark for Aerial-Ground Collaborative Reasoning [28.18995637655191]
地上共同推論における視覚言語モデル(VLM)の評価のためのベンチマークであるAeroGroundを紹介する。
AeroGroundは、様々なオープン環境から約29,000のマルチモーダル観測グループを含む、模擬空中地上データセット上に構築されている。
実験では、現在のモデルと人間のパフォーマンスの間に大きなギャップがあり、最良のモデルの平均精度は54.4%、人間は93.3%に達する。
論文 参考訳（メタデータ） (2026-08-12T07:31:15Z) - ALLUDE: A Unified Evaluation System for Configurable Attacks in Differentiable Environments [57.11645440673911]
物体検出器のような視覚モデルに対するアドリアック攻撃は、しばしば限られた条件下で評価され、その性能は過小評価される。
ALLUDEはLinuxとWindowsにまたがって第一種評価機能を提供する。
論文 参考訳（メタデータ） (2026-07-19T05:02:58Z) - Verifiable Environments Are LEGO Bricks: Recursive Composition for Reasoning Generalization [93.59040719904154]
本稿では,検証可能な環境を構成可能なビルディングブロックとして概念化するフレームワークであるRACES(textbfRecursive textbf Automated textbfComposition for textbfEnvironment textbfScaling)を紹介する。
RACESは300の個別環境で実装され、多様な推論パターンを誘導する合成演算子セットを定義している。
論文 参考訳（メタデータ） (2026-06-10T17:39:41Z) - Critic-Free Deep Reinforcement Learning for Maritime Coverage Path Planning on Irregular Hexagonal Grids [1.2891210250935148]
海上監視任務は、広大で幾何学的に複雑な領域におけるセンシング資産の効率的な配分に依存している。
伝統的なカバー・パス・プランニングアプローチは不規則な海岸線、島々、および排他的地域と戦っている。
本研究では,不規則海域の六角形格子表現においてCPPを解くための深層強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-30T12:56:38Z) - Griffin: Aerial-Ground Cooperative Detection and Tracking Dataset and Benchmark [15.405137983083875]
航空と地上の協力は、UAVの空中視界と地上の車両の局部的な観測を統合することで、有望な解決策を提供する。
本稿では,3つの重要な貢献を通じて,地上3次元協調認識のための包括的ソリューションを提案する。
論文 参考訳（メタデータ） (2025-03-10T07:00:07Z) - SURDS: Benchmarking Spatial Understanding and Reasoning in Driving Scenarios with Vision Language Models [15.50826328938879]
視覚言語モデル(VLM)の空間的推論能力を評価するためのベンチマークであるSURDSを紹介する。
nuScenesデータセットに基づいて構築されたSURDSは、41,080の視覚要求回答トレーニングインスタンスと9,250の評価サンプルで構成されている。
本研究では,空間的に接地された報酬信号を利用した強化学習に基づくアライメント手法を提案する。
論文 参考訳（メタデータ） (2024-11-20T08:14:01Z)
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。