日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2508.07406

AgriVLN: 農業ロボットのための視覚と言語によるナビゲーション

AgriVLN: Vision-and-Language Navigation for Agricultural Robots

シェア:XThreadsFacebookLINEはてブBluesky

四足歩行ロボットによる農業シーンの視覚言語ナビゲーション用ベンチマークA2Aと、VLMベースのAgriVLNを提案し、指示分解モジュールで成功率を改善した。

詳しい要約

1. どんなもの?

- 農業ロボット向けの Vision-and-Language Navigation (VLN) を扱った研究 - 既存の農業ロボットは手動操作や固定レール依存で移動性・適応性が低いという課題がある - 自然言語指示に従って目標地点へ移動する VLN を農業シーンに適用する - 農業シーン向けベンチマーク Agriculture to Agriculture (A2A) を提案 - 6種類の農業シーン、計1,560エピソード - 四足ロボットの前向きカメラ(高さ0.38m)で撮影した実RGB動画を使用 - ベースライン手法 Vision-and-Language Navigation for Agricultural Robots (AgriVLN) を提案 - Vision-Language Model (VLM) を用いる

2. 先行研究と比べてどこがすごい?

- 既存の VLN ベンチマーク・手法は農業シーン向けに設計されたものが無い点をギャップとして指摘 - A2A は実ロボット(四足ロボット、前向きカメラ、高さ0.38m)の実運用条件に合わせた実RGB動画で構成 - 実環境に即したベンチマークという点が先行研究と異なる - AgriVLN は既存 VLN 手法と比較して農業領域で state-of-the-art の性能を示したと報告 - 長い指示への対応として Subtask List (STL) 命令分解モジュールを追加し SR を 0.33 から 0.47 に改善

3. 技術・手法の肝は?

- Vision-Language Model (VLM) をベースにした AgriVLN ベースライン - 指示文と農業環境の両方を理解し、ロボット制御用の低レベル行動を生成 - 慎重に設計したテンプレートで VLM にプロンプトを与える構成 - Subtask List (STL) 命令分解モジュール - 長い指示をサブタスクに分解し、指示のどの部分を実行中か追跡しやすくする - AgriVLN に統合して性能改善を図る

4. どうやって有効だと検証した?

- 提案ベンチマーク A2A 上で AgriVLN を評価 - 短い指示では良好な性能、長い指示では苦戦する傾向を確認 - STL を統合することで Success Rate (SR) が 0.33 から 0.47 に向上 - 既存の複数の VLN 手法と AgriVLN を比較し、農業領域で state-of-the-art 性能を実証

5. 議論はある?

- 長い指示では、指示のどの部分を現在実行しているかの追跡に失敗しやすい点が課題として議論されている - STL による命令分解で SR 改善が示される一方、長指示への対応は依然として重要な論点 - その他の限界や議論の詳細は要旨からは不明

6. 次に読むべき論文は?

- Subtask List (STL) のような命令分解・サブタスク追跡に関する研究 - Vision-Language Model (VLM) を用いたロボットナビゲーション・行動生成の研究 - 既存 VLN 手法(要旨で比較対象として言及)の原論文 - 四足ロボットを用いた実環境ナビゲーションの研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xiaobei Zhao, Xingqi Lyu, Xiang Li

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Agricultural robots have emerged as powerful members in agricultural tasks, nevertheless, still heavily rely on manual operation or untransportable railway for movement, resulting in limited mobility and poor adaptability. Vision-and-Language Navigation (VLN) enables robots to navigate to the target destinations following natural language instructions, demonstrating strong performance on several domains. However, none of the existing benchmarks or methods is specifically designed for agricultural scenes. To bridge this gap, we propose Agriculture to Agriculture (A2A) benchmark, containing 1,560 episodes across six diverse agricultural scenes, in which all realistic RGB videos are captured by front-facing camera on a quadruped robot at a height of 0.38 meters, aligning with the practical deployment conditions. Meanwhile, we propose Vision-and-Language Navigation for Agricultural Robots (AgriVLN) baseline based on Vision-Language Model (VLM) prompted with carefully crafted templates, which can understand both given instructions and agricultural environments to generate appropriate low-level actions for robot control. When evaluated on A2A, AgriVLN performs well on short instructions but struggles with long instructions, because it often fails to track which part of the instruction is currently being executed. To address this, we further propose Subtask List (STL) instruction decomposition module and integrate it into AgriVLN, improving Success Rate (SR) from 0.33 to 0.47. We additionally compare AgriVLN with several existing VLN methods, demonstrating the state-of-the-art performance in the agricultural domain.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI