論文の概要: Explaining Navigation Decisions: Stage-Aware Visual Attribution for Vision-Language Navigation

• arxiv url: http://arxiv.org/abs/2610.34028v1
• Date: Sun, 25 Oct 2026 03:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.520148
• Title: Explaining Navigation Decisions: Stage-Aware Visual Attribution for Vision-Language Navigation
• Title（参考訳）: ナビゲーション決定の解説:視覚言語ナビゲーションにおけるステージ認識型視覚属性
• Abstract要約: 視覚言語ナビゲーション(VLN)のための段階認識属性フレームワークを提案する。 まず、動作条件付き時間的指示-視覚的帰属を観察間で構成する。 これらの属性は、現在の説明を補うための関連する歴史的証拠の収集を導く段階関係を推定するために、指示空間に投影される。 命令誘導空間フィルタは、コンパクトな命令関連領域を保持しながら孤立応答をさらに抑制する。
• 参考スコア（独自算出の注目度）: 70.90304269959736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Vision-Language Models (VLMs) increasingly enable robots to follow language instructions, understanding their navigation decisions becomes important for reliable deployment. Existing explainability methods overlook a key challenge in Vision-Language Navigation (VLN): evidence for the current action may be distributed across historical and current observations and associated with different instruction stages. We identify instruction-stage insensitivity, where existing methods produce similar explanations despite changes across different navigation stages. To address this issue, we propose a stage-aware attribution framework for VLN. We first construct action-conditioned temporal instruction--visual attributions across observations. These attributions are projected into instruction space to estimate stage associations, which guide the aggregation of relevant historical evidence for refining the current explanation. An instruction-guided spatial filter further suppresses isolated responses while preserving compact, instruction-relevant regions. Experiments across multiple VLN policies and benchmarks show improved attribution quality over existing methods. We further demonstrate that our method acts as a diagnostic tool for analyzing failure cases, and validate its applicability to real-world navigation on a Unitree G1 robot.
• Abstract（参考訳）: VLM(Vision-Language Models)は、ロボットが言語命令に従うことをますます可能にしているため、信頼性の高いデプロイメントにおいて、ナビゲーション決定を理解することが重要である。 既存の説明可能性法は、視覚言語ナビゲーション(VLN: Vision-Language Navigation)において重要な課題を見落としている。 既存の手法では,異なるナビゲーション段階にまたがる変化にもかかわらず,同様の説明が可能である。 この問題に対処するため、我々はVLNのステージアウェア属性フレームワークを提案する。 まず、動作条件付き時間的指示-視覚的帰属を観察間で構成する。 これらの属性は、現在の説明を補うための関連する歴史的証拠の収集を導く段階関係を推定するために、指示空間に投影される。 命令誘導空間フィルタは、コンパクトな命令関連領域を保持しながら孤立応答をさらに抑制する。 複数のVLNポリシーとベンチマークによる実験では、既存のメソッドよりも属性品質が改善された。 さらに,本手法は故障事例を解析するための診断ツールとして機能し,Unitree G1ロボットの現実ナビゲーションへの適用性を検証する。

関連論文リスト

• What do VLM-Based Vision-Language Navigation Models Rely on: Interpreting and Steering Policy Behavior [50.946179887746666]
  本稿では,現代の視覚言語ナビゲーション(VLN)モデルの解釈可能性と操縦性について検討する。 我々は、視覚的観察、指示、視覚記憶がナビゲーション決定に因果的にどう影響するかを測定する介入ベースのメトリクスを使用する。 以上の結果から,これらのナビゲーションポリシーは全ての入力モダリティに敏感であり,単一のモダリティに依存しないことがわかった。
  論文  参考訳（メタデータ） (2026-09-21T13:42:48Z)
• AwareVLN: Reasoning with Self-awareness for Vision-Language Navigation [78.80536515102305]
  VLN(Vision-and-Language Navigation)は、エージェントが視覚環境内の自身の動きに言語命令を接地する必要がある。 本稿では,ナビゲーションモデルに自己認識推論機構を備えた新しいフレームワークであるAwareVLNを提案する。 提案手法は,(1)空間的およびタスク指向の自己認識を促進する構造的推論モジュール,(2)効果的な学習のための進歩分担付き自動データエンジンの2つの重要な革新を特徴とする。
  論文  参考訳（メタデータ） (2026-05-21T17:58:26Z)
• Instruction-as-State: Environment-Guided and State-Conditioned Semantic Understanding for Embodied Navigation [38.77209165510599]
  S-EGIU(State-Entangled Environment-Guided Instruction Understanding)を紹介する。 S-EGIUは、エージェントの知覚状態に基づいて段階的に進化する決定関連トークンレベルの命令状態である。 これは、REVERIE Test Unseenで+2.68%のSPLゲインを含む、いくつかの主要なメトリクスで強力なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2026-04-20T13:09:13Z)
• TINA: Think, Interaction, and Action Framework for Zero-Shot Vision Language Navigation [11.591176410027224]
  本稿では,Large Language Models(LLM)に基づく視覚言語ナビゲーション(VLN)エージェントを提案する。 環境認識におけるLLMの欠点を補うための思考・相互作用・行動の枠組みを提案する。 また,本手法は教師付き学習手法よりも優れ,ゼロショットナビゲーションの有効性を強調した。
  論文  参考訳（メタデータ） (2024-03-13T05:22:39Z)
• Contrastive Instruction-Trajectory Learning for Vision-Language Navigation [66.16980504844233]
  視覚言語ナビゲーション(VLN)タスクでは、エージェントが自然言語の指示でターゲットに到達する必要がある。 先行研究は、命令-軌道対間の類似点と相違点を識別できず、サブ命令の時間的連続性を無視する。 本稿では、類似したデータサンプル間の分散と、異なるデータサンプル間の分散を探索し、ロバストなナビゲーションのための独特な表現を学習するContrastive Instruction-Trajectory Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-08T06:32:52Z)
• 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)

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。