FSD-VLN: 空中長距離視覚言語ナビゲーションのための高速・低速デュアルシステムモデリング

FSD-VLNは、UAV（無人航空機）の長期的なVision-Language Navigation（VLN）のための、高速・低速の二重システムアーキテクチャを提案する研究。VLNは、言語指示をリアルタイムの視覚入力にマッピングすることで、未知環境での自律ナビゲーションを可能にする。FSD-VLNは、意味的推論と低遅延の飛行コマンド生成を分離し、2つの非同期ブランチ（低速ストリームと高速ストリーム）で構成される。低速ストリームは事前学習済みのvision-languageモデルから安定した意味的先行知識を抽出し、高速ストリームはDiffusion Transformer（DiT）を用いて時間横断的な行動分布をモデル化し、一貫した飛行出力を生成する。さらに、長いシーケンスのトレーニングを安定化し、勾配の振動を減らすための時間認識型適応オプティマイザを導入する。

既存のVLN手法は、グローバルなマルチモーダル理解とシーケンシャルな行動生成の間の構造的不整合に悩まされ、長期的な空中ナビゲーションにおいて軌道のジッタや深刻な意思決定遅延を引き起こしていた。FSD-VLNは、意味的推論と低遅延の飛行コマンド生成を分離する高速・低速の二重システムアーキテクチャを導入することで、この問題に対処している点が新しい。これにより、SOTA手法と比較して、未見シーンでのナビゲーション成功率を最大2倍に向上させ、単一アクションの推論遅延とタスク全体の実行時間を50%以上削減した。

手法の核心は、意味的推論と行動生成を分離する二重システムアーキテクチャにある。低速ストリームは、事前学習済みのvision-languageモデルから安定した意味的特徴を抽出し、環境の高レベルな理解を提供する。高速ストリームは、Diffusion Transformer（DiT）を用いて、過去の行動と現在の視覚入力に基づいて将来の行動分布をモデル化し、一貫性のある飛行コマンドを生成する。2つのブランチは非同期に動作し、低速ストリームの意味情報が高速ストリームの行動生成をガイドする。さらに、時間認識型適応オプティマイザを導入し、長いシーケンスのトレーニング中の勾配振動を低減して安定化を図る。

大規模な低高度シミュレーション実験を実施し、未見のシーンでのナビゲーション成功率がSOTA手法と比較して最大2倍向上したことを示した。また、単一アクションの推論遅延とタスク全体の実行時間を50%以上削減した。これにより、提案手法の有効性を検証している。

要旨からは、提案手法の限界や潜在的な問題についての議論は不明。ただし、シミュレーション実験のみで実機検証が行われていない可能性が考えられるが、要旨には明記されていない。また、二重システムの設計における計算コストや、実際のUAVへの展開時のリアルタイム性についての議論も要旨からは不明。

要旨で参照されている関連研究は明示されていないが、Vision-Language Navigation (VLN)の分野の既存研究や、Diffusion Transformer (DiT)を用いた行動生成、事前学習済みvision-languageモデルを用いたナビゲーション手法などが関連する。具体的には、VLNの古典的な手法（例：Seq2Seqモデル）や、最近のTransformerベースのVLN手法、拡散モデルを用いたロボット制御の研究などが挙げられる。