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:2607.10744

Traj-VLN: 自己回帰軌道生成によるピクセル空間でのインタラクション学習

Traj-VLN: Learning Pixel-Space Interaction via Autoregressive Trajectory Generation

シェア:XThreadsFacebookLINEはてブBluesky

連続環境における視覚言語ナビゲーション(VLN-CE)において、大規模言語モデルを微調整し、言語指示と過去の観測から2Dピクセル座標の軌道を自己回帰的に生成することで、深度情報を使わずにナビゲーション行動を学習する手法を提案した。

詳しい要約

1. どんなもの?

本論文は、Vision-and-Language Navigation in Continuous Environments (VLN-CE) タスクにおいて、大規模言語モデル(LLM)の事前知識を活用しつつ、2Dピクセル空間での自己回帰的な軌跡生成を通じてナビゲーション行動を学習する手法「Traj-VLN」を提案する。具体的には、言語指示と過去の観測を入力とし、現在の観測画像の底辺中央から始まる一連のピクセル座標を順次予測することで、エージェントの移動軌跡を直接生成する。

2. 先行研究と比べてどこがすごい?

従来のVLN-CE研究では、視覚エンベディングを言語空間に投影するVision-Language Models (VLMs) が一般的だが、VLMsはRGB画像で訓練されており、深度や3D幾何情報を直接扱うことが難しい。先行研究ではピクセルゴールの教師信号が離散アクション学習より優れることが示されていたが、本論文はピクセル空間での軌跡全体の教師信号がさらに性能を向上させることを実験で示し、深度情報を明示的に使わずに2Dピクセル空間で空間相互作用を学習する新しいアプローチを提案している点が新しい。

3. 技術・手法の肝は?

手法の核は、VLNタスクを一連のサブタスクに分解し、各サブタスクを3D空間相互作用として捉えること。しかし、VLMsはRGB画像で訓練されているため、深度方向の移動を含む空間相互作用は苦手である。そこで、深度や3D幾何情報を入力に追加する代わりに、VLMsを2Dピクセル空間での自己回帰軌跡生成にファインチューニングする。具体的には、言語指示と過去の観測から、現在の観測画像上で軌跡を表すピクセル座標系列を自己回帰的に予測する。

4. どうやって有効だと検証した?

実験では、提案手法(Traj-VLN)をVLN-CEベンチマークで評価し、ピクセルゴール教師信号と比較してピクセル空間軌跡の教師信号がVLN性能を有意に向上させることを確認した。さらに、限られた計算リソースとトレーニングデータでState-of-the-Artレベルの性能を達成することを示した。

5. 議論はある?

要旨からは、深度や3D情報を使わないことの限界や、軌跡生成の解釈可能性、実環境でのロバスト性などに関する議論は明示されていない。また、提案手法がどのような環境や指示に対して失敗するかなどの分析も要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている先行研究として、ピクセルゴール教師信号を用いた研究(具体的な論文名は不明)や、VLN-CEにおけるVLMベースのアプローチが挙げられる。次に読むべき論文としては、VLN-CEの標準的なベースラインや、ピクセルゴール予測を用いた関連研究、および自己回帰生成を用いた視覚言語モデルの応用研究が考えられる。

※ 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: Changfei Fu, Guangcheng Chen, Aoxiang Gu, Haoxiang Liang, Wenjun Xu, Hong Zhang

分類: cs.CV, cs.RO

原文アブストラクト

Benefiting from the powerful priors embedded in large-scale pre-training data and the emerging commonsense reasoning ability, large language models (LLMs) have shown unprecedented generalization capabilities in many research fields. Recently, projecting visual embeddings into the language space via vision-language models (VLMs) to achieve sim-toreal and cross-scene generalization has become a prevailing paradigm in the field of Vision-and-Language Navigation in Continuous Environments (VLN-CE). VLN requires an embodied agent to navigate through unseen environments following natural linguistic instructions. We emphasize that a VLN task can be decomposed into a sequence of sub-tasks, each corresponding to a process of 3D spatial interaction with the environments described by instructions such as "walk to the end of the sofa and turn left." However, such spatial interactions involving moving into the image along the direction of depth sensing are puzzling for VLMs as they were predominantly trained on conversations with RGB images. Rather than incorporating depth or 3D geometric information-which VLMs rarely encounter during pretrainingwe propose an alternative approach: fine-tuning VLMs to learn navigation interactions directly in 2D pixel space through autoregressive trajectory generation. Given a linguistic instruction and historical observations, our model sequentially predicts a series of pixel coordinates, drawing a trajectory from the bottom center of the current observation. While prior work has proved that pixel-goal supervision outperforms learning of discrete actions, our experiments further verify that the supervision of pixel-space trajectory significantly enhances VLN performance. Moreover, we demonstrate that our flagship model achieves state-of-the-art level performance with relatively limited computational resources and training data.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI