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:2603.17437

FloorPlan-VLN: フロアプラン誘導型視覚言語ナビゲーションの新パラダイム

FloorPlan-VLN: A New Paradigm for Floor Plan Guided Vision-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語ナビゲーション(VLN)において、フロアプランを大域的な空間事前情報として活用する新しいタスクとデータセットを提案し、簡潔な指示だけでナビゲーションを可能にする手法FP-Navを導入した。

詳しい要約

1. どんなもの?

- 既存のVision-Language Navigation (VLN) は冗長な指示に依存し、グローバルな空間事前知識を無視している。 - 本研究では、構造化された意味的floor planをグローバル空間事前知識として活用し、簡潔な指示のみでナビゲーションを可能にする新パラダイムFloorPlan-VLNを提案。 - FloorPlan-VLNデータセットを構築:72シーン、10k以上のエピソード、100以上の意味注釈付きfloor plan、Matterport3Dベースの軌跡、簡潔な指示を含む。 - 手法FP-Navを提案:dual-view, spatio-temporally aligned video sequenceと補助推論タスクを用いて観測、floor plan、指示を整合。 - 新ベンチマークで評価し、適応した最先端VLNベースラインを大幅に上回り、ナビゲーション成功率で60%以上の相対改善を達成。 - ノイズモデリングと実世界展開により、アクチュエーションドリフトやfloor plan歪みに対するFP-Navの実現可能性と堅牢性を実証。

2. 先行研究と比べてどこがすごい?

- 既存VLNは冗長な指示に依存し、グローバル空間事前知識を無視していた。 - 本研究はfloor planをグローバル空間事前知識として利用する新パラダイムを導入し、簡潔な指示のみでナビゲーションを可能にした。 - 適応した最先端VLNベースラインと比較して、ナビゲーション成功率で60%以上の相対改善を達成。 - 実世界展開とノイズモデリングにより、アクチュエーションドリフトやfloor plan歪みに対する堅牢性を示した。

3. 技術・手法の肝は?

- FP-Navはdual-view, spatio-temporally aligned video sequenceを使用。 - 補助推論タスクを活用して、観測、floor plan、指示を整合させる。 - 具体的なアーキテクチャや学習手順の詳細は要旨からは不明。

4. どうやって有効だと検証した?

- FloorPlan-VLNデータセット(72シーン、10k以上エピソード)で評価。 - 適応した最先端VLNベースラインと比較し、ナビゲーション成功率で60%以上の相対改善を確認。 - 包括的なノイズモデリングと実世界展開を実施し、アクチュエーションドリフトやfloor plan歪みに対する堅牢性を検証。

5. 議論はある?

- 結果はfloor plan guided navigationの有効性を検証し、FloorPlan-VLNがより空間的に知的なナビゲーションへの有望な一歩であることを示す。 - 限界や今後の課題についての具体的な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:Vision-Language Navigation (VLN) の最先端ベースライン、Matterport3Dベースのナビゲーション。 - 関連手法:floor planを利用したナビゲーション、dual-view video sequence、spatio-temporal alignment、補助推論タスク。 - 同分野の定番:VLN, Room-to-Room (R2R), Matterport3D, Habitatなどの一般名が挙げられる。

※ 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: Kehan Chen, Yan Huang, Dong An, Jiawei He, Yifei Su, Jing Liu, Nianfeng Liu, Liang Wang

分類: cs.RO

原文アブストラクト

Existing Vision-Language Navigation (VLN) task requires agents to follow verbose instructions, ignoring some potentially useful global spatial priors, limiting their capability to reason about spatial structures. Although human-readable spatial schematics (e.g., floor plans) are ubiquitous in real-world buildings, current agents lack the cognitive ability to comprehend and utilize them. To bridge this gap, we introduce \textbf{FloorPlan-VLN}, a new paradigm that leverages structured semantic floor plans as global spatial priors to enable navigation with only concise instructions. We first construct the FloorPlan-VLN dataset, which comprises over 10k episodes across 72 scenes. It pairs more than 100 semantically annotated floor plans with Matterport3D-based navigation trajectories and concise instructions that omit step-by-step guidance. Then, we propose a simple yet effective method \textbf{FP-Nav} that uses a dual-view, spatio-temporally aligned video sequence, and auxiliary reasoning tasks to align observations, floor plans, and instructions. When evaluated under this new benchmark, our method significantly outperforms adapted state-of-the-art VLN baselines, achieving more than a 60\% relative improvement in navigation success rate. Furthermore, comprehensive noise modeling and real-world deployments demonstrate the feasibility and robustness of FP-Nav to actuation drift and floor plan distortions. These results validate the effectiveness of floor plan guided navigation and highlight FloorPlan-VLN as a promising step toward more spatially intelligent navigation.

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. 2newmo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
  3. 3GXO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
  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