DyGeoVLN: 動的幾何基盤モデルを視覚言語ナビゲーションに統合する
DyGeoVLN: Infusing Dynamic Geometry Foundation Model into Vision-Language Navigation
静的シーンを仮定した従来手法の限界を克服するため、動的幾何基盤モデルをVLNフレームワークに統合し、3D空間表現と視覚意味推論を強化。さらに、冗長なトークンを削減する適応的解像度トークンプルーニング戦略を導入し、長期的な動的ナビゲーションの推論コストを削減する。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Xiangchen Liu, Hanghan Zheng, Jeil Jeong, Minsung Yoon, Lin Zhao, Zhide Zhong, Haoang Li, Sung-Eui Yoon
分類: cs.RO
原文アブストラクト
Vision-language Navigation (VLN) requires an agent to understand visual observations and language instructions to navigate in unseen environments. Most existing approaches rely on static scene assumptions and struggle to generalize in dynamic, real-world scenarios. To address this challenge, we propose DyGeoVLN, a dynamic geometry-aware VLN framework. Our method infuses a dynamic geometry foundation model into the VLN framework through cross-branch feature fusion to enable explicit 3D spatial representation and visual-semantic reasoning. To efficiently compress historical token information in long-horizon, dynamic navigation, we further introduce a novel pose-free and adaptive-resolution token-pruning strategy. This strategy can remove spatio-temporal redundant tokens to reduce inference cost. Extensive experiments demonstrate that our approach achieves state-of-the-art performance on multiple benchmarks and exhibits strong robustness in real-world environments.
