TrackVLA++：具現化視覚追跡のための推論と記憶能力を引き出すVLAモデル

- 本論文は、Embodied Visual Tracking (EVT) のための新しい Vision-Language-Action (VLA) モデル「TrackVLA++」を提案する。 - 移動する target を継続的に追従する companion robot や guidance robot 等への応用を想定。 - 既存手法の課題である明示的な spatial reasoning と効果的な temporal memory の欠如に対処。 - 2つの key module: spatial reasoning mechanism と Target Identification Memory (TIM) を導入。

- 既存の language-guided tracking 手法は、明示的な spatial reasoning と効果的な temporal memory を欠くため、severe occlusion や類似の distractor 存在下で失敗する。 - TrackVLA++ は spatial reasoning mechanism と TIM によりこれらを改善。 - 公開 benchmark の egocentric および multi-camera 設定で state-of-the-art を達成。 - 特に EVT-Bench DT split で previous leading approach をそれぞれ 5.1 と 12 上回る。

- spatial reasoning mechanism として Polar-CoT を導入。Chain-of-Thought paradigm により target の相対位置を推論し、compact な polar-coordinate token に符号化して action prediction に利用。 - Target Identification Memory (TIM) は gated update strategy を採用し、long-horizon の target memory を保持。 - これにより spatiotemporal consistency を確保し、extended occlusion 中の target loss を軽減。 - spatial prior が TIM を導く構成。

- 公開 benchmark の egocentric および multi-camera 設定で extensive experiments を実施。 - EVT-Bench DT split で previous leading approach を 5.1 と 12 上回る性能を確認。 - zero-shot generalization を評価し、dynamic かつ occluded な実世界 scenario での robust な tracking を示す。

- 要旨からは不明。 - 明示的な limitation や failure case の議論は要旨に記載なし。

- 要旨で直接参照/比較されている previous leading approach の論文（EVT-Bench DT split での比較対象）。 - EVT-Bench の benchmark 論文。 - VLA モデルおよび Chain-of-Thought を用いた spatial reasoning の関連研究。 - Target Identification Memory や gated update strategy に関連する temporal memory 研究。