日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2602.06427

屋内・屋外のギャップを埋める:最後の数メートルに向けた視覚中心の指示誘導型身体性ナビゲーション

Bridging the Indoor-Outdoor Gap: Vision-Centric Instruction-Guided Embodied Navigation for the Last Meters

シェア:XThreadsFacebookLINEはてブBluesky

正確な座標に頼らず、一人称視覚と指示のみで屋外から屋内へシームレスに移動する新しいナビゲーションタスクを提案し、画像ベースのプロンプトで意思決定する視覚中心フレームワークと初のオープンソースデータセットを構築した。

詳しい要約

1. どんなもの?

- 屋外から屋内へのシームレスな移動を実現する、新たなembodied navigationタスクを提案。 - 正確な外部事前情報(座標系など)に依存せず、egocentricな視覚観測と指示のみでナビゲーションを行う。 - 視覚中心のフレームワークと、軌道条件付きビデオ合成を統合した初のオープンソースデータセットを提供。

2. 先行研究と比べてどこがすごい?

- 従来の屋内・屋外ナビゲーションはそれぞれの環境に限定され、正確な座標系などの強い仮定に依存。 - 屋外手法は粗い位置推定で目標付近まで誘導できるが、特定の建物入口からの細かい屋内進入は困難。 - 提案手法は外部事前情報を排除し、視覚と指示のみで屋外から屋内への遷移を可能にする点で優位。

3. 技術・手法の肝は?

- 視覚中心のembodied navigationフレームワークを提案。 - 画像ベースのプロンプトを活用して意思決定を駆動。 - データ生成に軌道条件付きビデオ合成を統合したパイプラインを構築。

4. どうやって有効だと検証した?

- 広範な実験を実施し、成功率や経路効率などの主要指標で最先端ベースラインを一貫して上回ることを示した。 - 具体的なデータセットや評価プロトコルの詳細は要旨からは不明。

5. 議論はある?

- 提案タスクの実用性(ラストマイル配送など)と、外部事前情報に依存しない利点を強調。 - 限界や課題、今後の展望についての議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、embodied navigation、vision-and-language navigation、instruction-guided navigationなどの定番分野が挙げられる。

※ 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: Yuxiang Zhao, Yirong Yang, Yanqing Zhu, Yanfen Shen, Chiyu Wang, Zhining Gu, Pei Shi, Wei Guo, Mu Xu

分類: cs.CV, cs.RO

原文アブストラクト

Embodied navigation holds significant promise for real-world applications such as last-mile delivery. However, most existing approaches are confined to either indoor or outdoor environments and rely heavily on strong assumptions, such as access to precise coordinate systems. While current outdoor methods can guide agents to the vicinity of a target using coarse-grained localization, they fail to enable fine-grained entry through specific building entrances, critically limiting their utility in practical deployment scenarios that require seamless outdoor-to-indoor transitions. To bridge this gap, we introduce a novel task: out-to-in prior-free instruction-driven embodied navigation. This formulation explicitly eliminates reliance on accurate external priors, requiring agents to navigate solely based on egocentric visual observations guided by instructions. To tackle this task, we propose a vision-centric embodied navigation framework that leverages image-based prompts to drive decision-making. Additionally, we present the first open-source dataset for this task, featuring a pipeline that integrates trajectory-conditioned video synthesis into the data generation process. Through extensive experiments, we demonstrate that our proposed method consistently outperforms state-of-the-art baselines across key metrics including success rate and path efficiency.

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