日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

空中ナビゲーションarXiv:2512.14222

履歴強化型二段階Transformerによる空中視覚言語ナビゲーション

History-Enhanced Two-Stage Transformer for Aerial Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

大規模都市環境でのUAVナビゲーションにおいて、粗い目標位置予測と細かい視覚分析を組み合わせた二段階Transformerと履歴グリッドマップを提案し、CityNavデータセットで性能を向上させた。

詳しい要約

1. どんなもの?

- Aerial Vision-and-Language Navigation (AVLN) のための新しいフレームワーク - UAV エージェントが大規模都市環境で言語指示に基づき目標を定位するタスクを扱う - History-Enhanced Two-Stage Transformer (HETT) を提案 - coarse-to-fine のナビゲーションパイプラインで構成 - 加えて historical grid map を設計し、視覚特徴を構造化された空間メモリに集約 - CityNav dataset のアノテーションを手動で精緻化しデータ品質を向上

2. 先行研究と比べてどこがすごい?

- 既存の UAV エージェントは mono-granularity なフレームワークが主流 - 大域的な環境推論と局所的なシーン理解のバランスに苦戦 - HETT は coarse-to-fine の二段階パイプラインでこの二側面を統合 - 一段階の単一粒度ではなく、粗い目標定位と細かい行動精緻化を分離 - historical grid map により履歴を考慮した空間メモリを導入 - 精緻化した CityNav dataset 上で顕著な性能向上を報告

3. 技術・手法の肝は?

- 第一段階: 空間的 landmark と historical context を融合し coarse-grained な目標位置を予測 - 第二段階: fine-grained な視覚分析により行動を精緻化 - historical grid map: 視覚特徴を動的に構造化空間メモリへ集約し、シーン全体の認識を強化 - 全体は History-Enhanced Two-Stage Transformer (HETT) として構成 - CityNav dataset のアノテーションを手動で精緻化

4. どうやって有効だと検証した?

- 精緻化した CityNav dataset 上で実験を実施 - HETT が顕著な性能向上を示すと報告 - 各コンポーネントの有効性を確認するため広範な ablation studies を実施 - 具体的な指標・数値・比較対象は要旨からは不明

5. 議論はある?

- 要旨からは不明 - 限界や失敗事例、計算コスト、汎化性に関する議論は記述されていない - 精緻化した CityNav dataset の詳細な品質評価やアノテーション基準も要旨からは不明

6. 次に読むべき論文は?

- CityNav dataset に関する論文(本手法の評価基盤) - Aerial Vision-and-Language Navigation (AVLN) の既存 UAV エージェント研究(mono-granularity な手法群) - coarse-to-fine ナビゲーションや hierarchical planning に関する関連研究 - Transformer を用いた Vision-and-Language Navigation (VLN) の代表的手法

※ 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: Xichen Ding, Jianzhe Gao, Cong Pan, Wenguan Wang, Jie Qin

分類: cs.CV, cs.RO

原文アブストラクト

Aerial Vision-and-Language Navigation (AVLN) requires Unmanned Aerial Vehicle (UAV) agents to localize targets in large-scale urban environments based on linguistic instructions. While successful navigation demands both global environmental reasoning and local scene comprehension, existing UAV agents typically adopt mono-granularity frameworks that struggle to balance these two aspects. To address this limitation, this work proposes a History-Enhanced Two-Stage Transformer (HETT) framework, which integrates the two aspects through a coarse-to-fine navigation pipeline. Specifically, HETT first predicts coarse-grained target positions by fusing spatial landmarks and historical context, then refines actions via fine-grained visual analysis. In addition, a historical grid map is designed to dynamically aggregate visual features into a structured spatial memory, enhancing comprehensive scene awareness. Additionally, the CityNav dataset annotations are manually refined to enhance data quality. Experiments on the refined CityNav dataset show that HETT delivers significant performance gains, while extensive ablation studies further verify the effectiveness of each component.

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