論文の概要: Omni-IGN: Onboard Image-Goal Navigation for Drones with Omnidirectional Vision
- arxiv url: http://arxiv.org/abs/2610.36968v1
- Date: Tue, 27 Oct 2026 10:24:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.565086
- Title: Omni-IGN: Onboard Image-Goal Navigation for Drones with Omnidirectional Vision
- Title（参考訳）: Omni-IGN:全方向視界を持つドローンの車載画像誘導ナビゲーション
- Abstract要約: Image-Goal Navigation (ImageNav) は、エージェントが未知の環境でゴール画像によって指定された位置に到達する必要がある。
我々は,フル搭載のImageNavシステムであるOmni-IGNを紹介した。
- 参考スコア（独自算出の注目度）: 12.265276813139424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-goal navigation (ImageNav) requires an agent to reach a location specified by a goal image in an unknown environment. For drones, this task demands exploration, goal- directed navigation, and collision avoidance under limited onboard computing resources. Existing aerial ImageNav methods are built on single-view observations, requiring additional rotation and exploration to search for goal-relevant cues outside the field of view. In this paper, we present Omni-IGN, a fully onboard ImageNav system that integrates quad-fisheye perception, an attention-based reinforcement learning (RL) policy, and a collision-aware safety layer. The policy adaptively fuses goal-relevant features across multiple views to provide directional guidance for continuous navigation. The quad-fisheye RGB images support both ImageNav and obstacle avoidance without a dedicated depth sensor. On Habitat benchmarks, Omni-IGN achieves the best performance among continuous-action baselines. Moreover, flight tests in IsaacSim validate the effectiveness of integrating learning-based depth estimation with the action safety layer for collision avoidance. Finally, real-world experiments demonstrate zero-shot sim-to-real transfer without any fine-tuning or external localization. The code and model checkpoints will be released upon acceptance.
- Abstract（参考訳）: Image-Goal Navigation (ImageNav) は、エージェントが未知の環境でゴール画像によって指定された位置に到達する必要がある。
ドローンにとって、このタスクは、限られた搭載コンピューティングリソースの下での探索、目標指向ナビゲーション、衝突回避を必要とする。
既存の空中画像Nav法は、視野外にあるゴール関連キューを探すために、追加の回転と探索を必要とする単一視野観測に基づいて構築されている。
本稿では,オムニ・IGN,フル搭載のImageNavシステム,クワッドフィッシュ認識,注目型強化学習(RL)ポリシ,衝突認識型安全層について述べる。
このポリシーは、複数のビューにまたがるゴール関連機能を適応的に融合し、継続的なナビゲーションのための方向性ガイダンスを提供する。
クワッドフィッシュRGB画像は、ImageNavと障害物回避の両方をサポートする。
Habitatベンチマークでは、Omni-IGNは継続的なアクションベースラインの中で最高のパフォーマンスを達成する。
さらに、アイザックシムの飛行試験では、衝突回避のための行動安全層と学習に基づく深度推定を統合することの有効性が検証された。
最後に、実世界の実験は、微調整や外部のローカライゼーションなしに、ゼロショットのsim-to-real転送を実証する。
コードとモデルチェックポイントは受け入れ次第リリースされます。
関連論文リスト
- 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) - CanonNav: Disentangling Navigation Behavior from Camera Geometry in Cross-Platform Visual Navigation [14.558656853501846]
CanonNavはヴィジュアルナビゲーションフレームワークで、ナビゲーションの振る舞いをカメラの幾何学から切り離す。
クロスプラットフォームのデモから学ぶために、補完的な計画監督が組み込まれている。
RGBベースのベースラインを一貫して上回り、挑戦的なシナリオではRGBベースのメソッドを上回ります。
論文 参考訳（メタデータ） (2026-08-31T04:52:54Z) - Flying to Image-Specified Objects: 3D Quadrotor Navigation via Cross-Graph Memory and Viewpoint Planning [6.546667407424349]
Instance-Specific Image-Goal Navigation (InstanceImageNav)では、クエリイメージに表示される正確なオブジェクトインスタンスに向けて、ロボットがナビゲートする必要がある。
本稿では,低レベルの動作実行から高レベルの意思決定を分離する,四重項インスタンスイメージNavの階層的ナビゲーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-29T07:54:24Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - CARE: Enhancing Safety of Visual Navigation through Collision Avoidance via Repulsive Estimation [6.216878556851609]
本稿では,学習に基づく視覚ナビゲーション手法の堅牢性を向上させるため,CARE(Collision Avoidance via Repulsive Estimation)を提案する。
CAREは、ローカルなロボット軌道を生成するRGBベースのナビゲーションモデルにシームレスに統合することができる。
我々は、様々なロボットプラットフォームにまたがる最先端のビジュアルナビゲーションモデルと統合することで、CAREを評価する。
論文 参考訳（メタデータ） (2025-06-04T11:02:15Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - Safe Vessel Navigation Visually Aided by Autonomous Unmanned Aerial
Vehicles in Congested Harbors and Waterways [9.270928705464193]
この研究は、従来のRGBカメラと補助的な絶対位置決めシステム(GPSなど)で捉えた長距離視覚データから未知の物体までの距離を検知し推定する最初の試みである。
シミュレーション結果は,UAV支援艦艇の視覚支援航法における提案手法の精度と有効性を示すものである。
論文 参考訳（メタデータ） (2021-08-09T08:15:17Z)
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。