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:2511.21053

AerialMind:UAVシナリオにおける参照マルチオブジェクト追跡に向けて

AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios

シェア:XThreadsFacebookLINEはてブBluesky

UAV(ドローン)映像で自然言語指示に基づくマルチオブジェクト追跡を行うための大規模ベンチマークAerialMindと、半自動ラベリング手法COALA、追跡手法HawkEyeTrackを提案した論文。

詳しい要約

1. どんなもの?

- AerialMind は UAV シナリオにおける初の大規模 RMOT (Referring Multi-Object Tracking) benchmark - RMOT は自然言語指示により対象の検出・追従を行うタスクで、知的ロボットの基盤能力 - 既存 RMOT 研究は地上視点に限定され、広域文脈把握や経路計画が制約されていた - UAV の広い空中視点と機動性を活かし、広域監視や Embodied Intelligence 基盤としての需要に応える - データ構築のため半自動協調エージェント型ラベリング支援 COALA を開発 - 併せて HawkEyeTrack (HETrack) という新手法を提案

2. 先行研究と比べてどこがすごい?

- 既存 RMOT 研究は主に ground-level シナリオに限定されていた - 本研究は UAV シナリオに初めて大規模 RMOT benchmark を導入し、この研究ギャップを埋める - UAV の広域視点・機動性により、広域監視や経路計画を含む包括的追従が可能になる点が新しい - ラベリングは COALA により労力を大幅削減しつつ品質を維持 - HETrack は vision-language 表現学習と UAV シナリオの知覚を協調的に強化する点が特徴 - 具体的な先行手法との定量比較は要旨からは不明

3. 技術・手法の肝は?

- AerialMind: UAV シナリオ向けの大規模 RMOT benchmark を構築 - COALA: 半自動・協調エージェント型のラベリング支援フレームワークで、人手コストを削減しつつ品質を維持 - HawkEyeTrack (HETrack): vision-language 表現学習を協調的に強化し、UAV シナリオの知覚を改善する手法 - HETrack の詳細なアーキテクチャや学習手順は要旨からは不明 - データセットの規模・カテゴリ・言語指示の構成など具体仕様は要旨からは不明

4. どうやって有効だと検証した?

- 包括的な実験を実施し、データセットの難しさと提案手法の有効性を検証したと記載 - 具体的な評価指標、比較手法、実験設定、数値結果は要旨からは不明 - ablation や COALA の品質評価の有無も要旨からは不明

5. 議論はある?

- 要旨からは不明 - 想定される論点として UAV 特有の視点変化・スケール変動・遮蔽への対処、言語指示の曖昧性、ラベリング品質とコストのトレードオフが考えられるが、本文記載は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として RMOT (Referring Multi-Object Tracking) の既存研究、UAV 追従・検出の定番手法、vision-language 表現学習 (例: CLIP 系) を次に読む候補として挙げる - COALA のような半自動ラベリング支援に関する研究も関連 - 具体的な論文名は要旨からは不明

※ 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: Chenglizhao Chen, Shaofeng Liang, Runwei Guan, Xiaolou Sun, Haocheng Zhao, Haiyun Jiang, Tao Huang, Henghui Ding, Qing-Long Han

分類: cs.RO, cs.CV

原文アブストラクト

Referring Multi-Object Tracking (RMOT) aims to achieve precise object detection and tracking through natural language instructions, representing a fundamental capability for intelligent robotic systems. However, current RMOT research remains mostly confined to ground-level scenarios, which constrains their ability to capture broad-scale scene contexts and perform comprehensive tracking and path planning. In contrast, Unmanned Aerial Vehicles (UAVs) leverage their expansive aerial perspectives and superior maneuverability to enable wide-area surveillance. Moreover, UAVs have emerged as critical platforms for Embodied Intelligence, which has given rise to an unprecedented demand for intelligent aerial systems capable of natural language interaction. To this end, we introduce AerialMind, the first large-scale RMOT benchmark in UAV scenarios, which aims to bridge this research gap. To facilitate its construction, we develop an innovative semi-automated collaborative agent-based labeling assistant (COALA) framework that significantly reduces labor costs while maintaining annotation quality. Furthermore, we propose HawkEyeTrack (HETrack), a novel method that collaboratively enhances vision-language representation learning and improves the perception of UAV scenarios. Comprehensive experiments validated the challenging nature of our dataset and the effectiveness of our method.

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