論文の概要: SP-Guide: Enhancing Aerial Vision-Language Navigation with Spatial Priors

• arxiv url: http://arxiv.org/abs/2610.32697v1
• Date: Fri, 23 Oct 2026 14:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.546588
• Title: SP-Guide: Enhancing Aerial Vision-Language Navigation with Spatial Priors
• Title（参考訳）: SP-Guide:空間的事前情報による空中視線ナビゲーションの強化
• Abstract要約: 空中視覚言語ナビゲーション(AVLN)は、大規模な屋外シーンを推論しながら、部分的な自我中心の観測から、UAVが言語記述対象に到達する必要がある。 既存のアプローチは通常、ビュー中心のRGB観測と、グローバルに固定された履歴マップを一般的な視覚埋め込みとして融合させ、スパースナビゲーションの監督から学ぶためのモード間のアライメントを残している。 本稿では,SP-Guideを提案する。SP-Guide,SP-Guide,SP-Guide,SP-Guide,SP-Guide,SP-Guide,SP-Guide,SP-Guide,Spatial Prior-Modal Space, Instruction Enhanced Decoder,Goal Convergence Filter。
• 参考スコア（独自算出の注目度）: 1.5039148731382275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aerial vision-language navigation (AVLN) requires a UAV to reach a language-described target from partial egocentric observations while reasoning over large outdoor scenes. Existing approaches typically fuse view-centered RGB observations and globally anchored history maps as generic visual embeddings, leaving cross-modal spatial alignment to be learned from sparse navigation supervision. We present SP-Guide, a transformer- based goal-prediction framework that addresses this weakness of alignment through a Spatial Prior Cross-Modal Encoder, an Instruction Enhanced Decoder, and a Goal Convergence Filter for terminal target refinement. Experiments implemented on the CityNav benchmark show that SP-Guide improves success rate over the representative baselines, with the largest gains on unseen environments. These results indicate that physically grounded spatial priors provide an effective inductive bias for robust AVLN.
• Abstract（参考訳）: 空中視覚言語ナビゲーション(AVLN)は、大規模な屋外シーンを推論しながら、部分的な自我中心の観測から、UAVが言語記述対象に到達する必要がある。 既存のアプローチでは、ビュー中心のRGB観測と、グローバルに固定された履歴マップを一般的な視覚埋め込みとして融合し、スパースナビゲーションの監督から学ぶためのモード間空間アライメントを残している。 本稿では,このアライメントの弱点に対処するトランスフォーマーベースの目標予測フレームワークであるSP-Guideについて述べる。 CityNavベンチマークに実装された実験によると、SP-Guideは代表的ベースラインよりも成功率を向上し、目に見えない環境において最大の利益を得ている。 これらの結果は、物理的に接地された空間的先行性は、ロバストAVLNに対して効果的な誘導バイアスをもたらすことを示唆している。

関連論文リスト

• VCN-Bench: A Video-Contextualized Navigation Benchmark for Spatial Reasoning over Prior Visual Experience [50.965801006170096]
  本稿では,MLLMの視覚経験よりも閉ループ空間推論を探索するためのベンチマークであるVCN-Benchを紹介する。 Matterport3Dをベースとして、VCN-Benchは5つのインストラクションタイプ、100kのトレーニングエピソード、1,250の評価エピソードを含む。 実験では、航法性能の制限、実質的な航法解像度と航法距離、正確な航法識別後にも頻繁な航法障害が示される。
  論文  参考訳（メタデータ） (2026-09-28T09:12:56Z)
• See-and-Reach: Precise Vision-Language Navigation for UAVs within the Field of View [22.860978565302233]
  UAV-VLN (UAV Vision-Language Navigation) は、一般に総合的な探索と到達の問題として定式化されている。 UAV-VLN-FOVは,視線と視線を分離した目標視認可能なナビゲーションタスクである。 3DG-VLNは動的3次元方向の手がかりによって導かれる視覚言語ウェイポイント予測フレームワークである。
  論文  参考訳（メタデータ） (2026-06-18T10:21:42Z)
• LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation [96.09246387639006]
  LookasideVLNは、より正確な空間推論とより高い計算効率を達成するために、自然言語の方向の手がかりを利用する。 LookasideVLNは、シングルレベルのルックアヘッドでも、最先端のCityNavAgentよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-04-19T01:36:53Z)
• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• History-Enhanced Two-Stage Transformer for Aerial Vision-and-Language Navigation [64.51891404034164]
  Aerial Vision-and-Language Navigation (AVLN) は、大規模都市環境でターゲットをローカライズするために無人航空機(UAV)のエージェントを必要とする。 既存のUAVエージェントは通常、これらの2つの側面のバランスに苦しむ単粒度フレームワークを採用する。 この研究は、粗いナビゲーションパイプラインを通じて2つの側面を統合するヒストリ強化2段階トランスフォーマー(HETT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-16T09:16:07Z)

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。