論文の概要: EBV-CAN: Vision--Language Grounding for Contact-Aided Endoscope Navigation
- arxiv url: http://arxiv.org/abs/2610.30786v1
- Date: Thu, 22 Oct 2026 06:05:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.231606
- Title: EBV-CAN: Vision--Language Grounding for Contact-Aided Endoscope Navigation
- Title（参考訳）: EBV-CAN:コンタクト支援内視鏡ナビゲーションのための視覚-言語接地
- Abstract要約: 外部の鳥の目視接触支援ナビゲーション(EBV-CAN)
本稿では,外野鳥の目視接触支援ナビゲーション(EBV-CAN)について紹介する。
- 参考スコア（独自算出の注目度）: 8.922881193315478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flexible endoscopes exploit structural compliance to traverse narrow lumens, pipes, and cavities, where navigation involves distributed environmental contact. This compliance makes tip motion depend on the evolving support configuration. We present external bird's-eye-view contact-aided navigation (EBV-CAN), a vision-language policy that combines one initial global static bird's-eye image with evolving endoscopic observations and motor state. Three supervised semantic queries locate the tip, next waypoint, and instructed target on the cached global image; their residual representations predict bending and insertion commands. We introduce the Vision-Language Contact-Aided (VLCA) dataset, linking 517 demonstrations and 75k action samples to 958k spatial entries and 93k remaining-route records. On 50 held-out episodes, tip-coordinate and waypoint localization reach 97.5% and 94.8%. Swapping the target instruction under identical observations changes target attention and motor output across 17 dual-target episodes. Across 1,920 physical trials of eight policies trained under a shared protocol, EBV-CAN achieves 183/240 successes (76.25%) under automatic blue-area scoring. Gated recurrent unit behavior cloning (GRU-BC) achieves the lowest matched-task offline mean absolute error (MAE), 0.056, and 1/240 physical successes, establishing distinct rankings for action imitation and task completion. Successful multi-guide executions and representative failures connect spatial progress, steering transitions, and visibility to physical navigation.
- Abstract（参考訳）: フレキシブル内視鏡は、航法が分散環境接触を伴う狭い円盤、パイプ、空洞の構造的コンプライアンスを利用する。
このコンプライアンスにより、チップの動きは、進化するサポート設定に依存します。
本稿では,外眼視接触支援ナビゲーション(EBV-CAN)について紹介する。これは,初期グローバルな静的な鳥眼画像と,進化する内視鏡的観察と運動状態を組み合わせた視覚言語政策である。
3つの教師付きセマンティッククエリは、キャッシュされたグローバルイメージの先端、次の方向、および指示されたターゲットを特定する。
VLCA(Vision-Language Contact-Aided)データセットを導入し、517のデモと75kのアクションサンプルを958kの空間エントリと93kの残ルートレコードにリンクする。
50エピソードにおいて、チップコーディネートとウェイポイントのローカライゼーションは97.5%と94.8%に達した。
同一観測下でターゲット命令をスワップすると、ターゲットの注意と運動の出力が17のデュアルターゲットエピソードにわたって変化する。
共通プロトコルの下で訓練された8つのポリシーの1,920の物理試験でEBV-CANは183/240成功(76.25%)を達成している。
GRU-BC (Gated Recurrent Unit Behavior Cloning) は、最小一致のオフライン平均絶対誤差(MAE)、0.056、および1/240の物理的成功を達成する。
成功したマルチガイド実行と代表的障害は、空間的な進行、ステアリング遷移、物理的なナビゲーションへの可視性を結び付ける。
関連論文リスト
- DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations [62.525114958093496]
操作カテゴリと人体運動源を共同で訓練した最初の一般用バイマニュアルトラッカーであるDONICについて紹介する。
対象中心ごとの報酬は、基準コンタクトロールに従って各手を監督しながら、オブジェクトモーションフィードバックを維持する。
単一のチェックポイントは、トレーニング対象の未確認軌道で86.79%、保持対象で57.32%を達成している。
論文 参考訳（メタデータ） (2026-10-21T16:36:02Z) - Look Before You Act: Bridging Active Perception and Vision-Language-Action Models via Observation-Aligned Data Adaptation [26.983027384593385]
アクティブカメラの動きは、隠されたターゲットを露出することができるが、操作ポリシーのトレーニング分布とは異なる初期観測状態の分布にロボットを移動させる可能性がある。
アクティブな知覚が終了する状態からビジョン・ランゲージ・アクションポリシーをトレーニングするデータ適応フレームワークであるActiveAlignを紹介する。
論文 参考訳（メタデータ） (2026-10-16T12:33:44Z) - From Local Whole-Body VLA Behaviors to Scene-Scale Aerial Manipulation [24.05452779162353]
視覚言語アクション(VLA)モデルはタスク条件付きインタラクションを可能にするが、それらをシーンスケールの空中操作に拡張することは依然として困難である。
合成ポリシトレーニングとシーンスケール実行のための統合された枠組みを, 無人航空機マニピュレータ (UAM) に提示する。
シーン再構成可能なパイプラインは、物理プラットフォームを使用せずに、タスク条件付き、キノダイナミックに実現可能な軌道と、VLAトレーニングのための同期マルチビュー観測を合成する。
論文 参考訳（メタデータ） (2026-09-30T13:05:17Z) - How Far Can GPT-6-Astra Go? Evaluating Capabilities in Zero-Shot Vision-and-Language Navigation [20.65686859199639]
連続環境におけるゼロショットビジョン・アンド・ランゲージナビゲーションにおけるGPT-6-Astraについて検討する。
指示を解釈し、その環境を評価し、行動を提案する。
Open-Nav が使用した100R2R-CE val-unseen エピソードの50件について,本システムの評価を行った。
論文 参考訳（メタデータ） (2026-09-17T12:14:43Z) - NavPatch: Evidence-Guided Object-Level Costmap Correction with Vision-Language Models [6.1440916891645285]
私たちは、ADD、REMOVE、EXTENDを関連オブジェクトカテゴリのナビゲーションに割り当てるオブジェクトレベルの補正層であるNavPatchを紹介します。
Open vocabulary Groundingはオブジェクトインスタンスをローカライズし、LiDARとRGB-D観測は3Dサポートを提供する。
論文 参考訳（メタデータ） (2026-09-13T14:30:55Z) - 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) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - Improving Zero-Shot ObjectNav with Generative Communication [60.84730028539513]
ゼロショットObjectNavの改良手法を提案する。
私たちのアプローチは、接地エージェントが制限され、時には障害のあるビューを持つ可能性があることを考慮に入れています。
論文 参考訳（メタデータ） (2024-08-03T22:55:26Z)
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。