日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

視覚追跡arXiv:2607.20061

ReferTrack: 参照してから追跡する身体化視覚追跡手法

ReferTrack: Referring Then Tracking for Embodied Visual Tracking

シェア:XThreadsFacebookLINEはてブBluesky

身体化視覚追跡において、自然言語で指定された対象をまず画像中のバウンディングボックスから選択し、その選択に基づいて追跡経路を生成する「参照→追跡」パラダイムを提案。時間的な対象情報を保持する工夫と参照QA学習により、単眼カメラで高い追跡成功率を達成し、実ロボットでも有効性を確認した。

詳しい要約

1. どんなもの?

- 自然言語で記述された特定のtargetを、機体搭載の単一前方カメラのみで連続追従するEmbodied visual tracking (EVT) のための手法。 - referring-then-tracking パラダイムを採用し、まずindexed bounding boxes集合からtargetを選択し、その画像接地された決定に条件づけてtracking waypointsをデコードする。 - 時間方向のtarget運動手がかりを保つため、過去に選択したbounding boxesのsliding-window queueを保持し、temporal-viewpoint-bbox indicator (TVBI) tokensとして視覚履歴に注入する。 - カスタムRefer-QA datasetでのco-trainingによりtarget識別を強化する。

2. 先行研究と比べてどこがすごい?

- 近年のvision-language-action (VLA) policiesはtarget識別と軌道計画を統合するが、chain-of-thought (CoT) 推論が抽象的空間latentsで行われ、superviseが難しく画像空間の明示的detectionsと弱くしか整合しない。 - ReferTrackは画像接地されたbounding box選択を介在させることで、この弱整合を解消する。 - EVT-Benchにおいて単一視点でstate-of-the-artを達成し、single-target 89.4%、distracted 73.3%、ambiguity 74.1%の成功率。 - 識別重視タスクでは複数カメラbaselinesに匹敵または上回る。

3. 技術・手法の肝は?

- 単一前方カメラ入力から、indexed bounding boxes集合のうちtargetを選択するreferring段階と、その選択に条件づけてtracking waypointsをデコードするtracking段階からなる。 - 過去に選択したbounding boxesをsliding-window queueで保持し、その幾何特徴をtemporal-viewpoint-bbox indicator (TVBI) tokensとして視覚履歴に注入する。 - カスタムRefer-QA datasetでのco-trainingによりtarget識別を強化する。

4. どうやって有効だと検証した?

- EVT-Benchで評価し、single-target、distracted、ambiguityの各splitで成功率89.4%、73.3%、74.1%を達成。 - 単一視点でstate-of-the-art、識別重視タスクでは複数カメラbaselinesに匹敵または上回る。 - legged robotおよびhumanoid robotへの実機展開により、robustなsim-to-real transfer能力を検証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- vision-language-action (VLA) policies - chain-of-thought (CoT) reasoning - EVT-Bench - Refer-QA dataset - temporal-viewpoint-bbox indicator (TVBI) tokens

※ 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: Hanjing Ye, Tianle Zeng, Jiazhao Zhang, Shaoan Wang, Zibo Zhang, Weisi Situ, Yuchen Zhou, Yonggen Ling, Hong Zhang

分類: cs.RO

原文アブストラクト

Embodied visual tracking (EVT) requires a mobile agent to continuously follow a specific target described in natural language using only onboard vision. While recent vision-language-action (VLA) policies unify target identification and trajectory planning, their chain-of-thought (CoT) reasoning often operates in abstract spatial latents that are difficult to supervise and weakly aligned with explicit image-space detections. To address this, we introduce ReferTrack, a referring-then-tracking paradigm that grounds EVT using a single forward-facing camera. Our model first selects the target from an indexed set of bounding boxes, then decodes tracking waypoints conditioned on this image-grounded decision. To preserve target motion cues over time, ReferTrack maintains a sliding-window queue of previously selected bounding boxes, injecting their geometric features into the visual history via temporal-viewpoint-bbox indicator (TVBI) tokens. We further enhance target identification by co-training on a custom Refer-QA dataset. On EVT-Bench, ReferTrack achieves state-of-the-art single-view performance with success rates of 89.4%, 73.3%, and 74.1% on the single-target, distracted, and ambiguity tracking splits, respectively -- matching or even surpassing several multi-camera baselines on identification-heavy tasks. Finally, real-world deployments on legged and humanoid robots validate its robust sim-to-real transfer capabilities. Code is available at https://github.com/MedlarTea/referTrack.

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