GeoNav: 二重スケール地理空間推論による言語目標航空ナビゲーションのためのMLLM活用

- 言語指示に基づきUAVが都市街区などの複雑な屋外で目標を定位する Language-goal aerial navigation のためのマルチモーダルエージェント GeoNav を提案する研究。 - 屋内向け手法は曖昧な物体・限られた視野・空間推論の難しさから都市スケールに拡張しにくいという課題に対し、geospatial awareness を持つ長距離 aerial navigation を目指す。 - landmark navigation、target search、precise localization の3段階で、人間の coarse-to-fine な空間推論を模倣する構成。 - 出版は Pattern Recognition, 2026。

- 屋内向けの既存ナビゲーション手法は、曖昧な物体・限られた視野・空間推論の制約から都市シーンへのスケールが困難と位置づけている。 - 提案手法は geospatial awareness と coarse-to-fine の3段階推論により、長距離の aerial navigation を扱う点が異なる。 - CityNav benchmark において現行 SOTA を success rate で最大 18.4% 上回り、navigation error を大幅に削減したと報告。 - 具体的な比較対象の手法名は要旨からは不明。

- 3段階のパイプライン（landmark navigation、target search、precise localization）で coarse-to-fine に空間推論を進める。 - dual-scale spatial representation を動的に構築する。 - global かつ schematic な cognitive map：事前の geographic knowledge と embodied visual cues を統合し、top-down で明示的に注釈付けした形式。地図ベースの直感的推論で landmark region へ高速に移動するために用いる。 - local かつ delicate な scene graph：landmark と object の階層的空間関係を表現し、正確な target localization に用いる。 - 構造化メモリ上で spatial chain-of-thought 機構を採用し、MLLMs に効率的かつ解釈可能な action-making を段階横断で可能にする。

- CityNav benchmark 上で評価し、現行 SOTA を success rate で最大 18.4% 上回り、navigation error を大幅に削減したと報告。 - ablation studies により各モジュールの重要性を示し、structured spatial perception が高度な UAV navigation の鍵であると位置づけている。 - 具体的な実験設定・指標の詳細は要旨からは不明。

- ablation studies から各モジュールの寄与と、structured spatial perception の重要性を議論している。 - 屋内手法の都市スケールへの拡張困難性（曖昧な物体、限られた視野、空間推論）を動機として提示。 - 限界や失敗事例、計算コスト、実機展開に関する議論は要旨からは不明。

- 要旨で直接参照・比較されている個別研究名は不明。関連手法として CityNav benchmark と、屋内向けナビゲーション手法（具体名は要旨からは不明）が挙げられる。 - 背景として MLLMs を用いた vision-and-language navigation、UAV navigation、cognitive map、scene graph を用いた空間推論の定番研究を次に読む候補として挙げる。