日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2607.22226

屋外環境における幾何学的目標定位を備えたオフライン視覚言語ナビゲーション

Offline Vision-Language Navigation with Geometric Goal Localization for Outdoor Environments

シェア:XThreadsFacebookLINEはてブBluesky

本論文は、屋外環境での完全オンボード視覚言語ナビゲーションを実現するため、エッジ展開可能な小型言語モデルのベンチマークと、セマンティックと幾何学的情報を組み合わせた軽量な目標定位フレームワークを提案する。

詳しい要約

1. どんなもの?

本論文は、屋外環境における完全オンボードのVision-Language Navigation (VLN)を実現するための研究である。具体的には、(1) 17のエッジ展開可能なSmall Language Models (SLMs)と4つのオンラインAPIを、ロボットナビゲーションの指示分解タスクで体系的に比較した初のベンチマークを提供する。(2) オープンボキャブラリ物体検出、プロンプトベースのセグメンテーション、LiDAR幾何を組み合わせた軽量なハイブリッド意味幾何目標定位フレームワークを提案する。(3) これらの成果をBehAVアーキテクチャの完全オンボード拡張であるEdge-BehAVに統合し、クラウド非依存の行動誘導ナビゲーションを実現する。

2. 先行研究と比べてどこがすごい?

既存のVLNシステムは、言語理解と意味的グラウンディングにクラウドホストのファウンデーションモデルに依存しており、ネットワーク接続が不安定な環境や信頼性の高いメトリック目標定位が必要な場面では適用が制限される。近年のSLMは完全オンボード推論を可能にするが、ナビゲーション指示分解への適合性は体系的に評価されていなかった。本論文は、SLMのベンチマークを初めて提供し、さらに軽量なハイブリッド目標定位を提案することで、クラウド依存を排除しつつ、精度と計算コストの両面で優れた性能を達成している点が新しい。

3. 技術・手法の肝は?

手法の肝は、指示分解にSLMを用いる点と、目標定位を意味的・幾何的ハイブリッドで行う点である。指示分解では、17のエッジ展開可能なSLMを評価し、最良のSLMがクラウドAPIと同等の性能を示すことを確認した。目標定位では、オープンボキャブラリ物体検出で候補領域を特定し、プロンプトベースのセグメンテーションで対象物体を抽出し、LiDAR幾何を用いてメトリック目標を推定する。信頼できる幾何観測が得られない場合は、視覚的な方位情報を維持する。これらをBehAVアーキテクチャに統合し、完全オンボードのEdge-BehAVを構築した。

4. どうやって有効だと検証した?

有効性の検証は、以下の実験で行われた。まず、SLMのベンチマークでは、人間が注釈した指示を用いて、3つの異なるコンピューティングプラットフォーム上で精度とレイテンシを評価した。その結果、最良のオフラインSLMは、最強のクラウドAPIと同等の指示分解性能を達成し、約9倍高速でネットワーク接続不要であることを示した。次に、目標定位フレームワークの評価では、平均目標距離誤差を2.05 mから0.20 mに削減し、計算コストも低減した。最後に、完全なシステムを統合したEdge-BehAVは、32回の閉ループ屋外試験のうち31回で成功した。

5. 議論はある?

議論としては、SLMのベンチマーク結果は特定のハードウェアと指示セットに依存するため、一般化にはさらなる検証が必要である。また、目標定位フレームワークはLiDAR幾何に依存するため、LiDARが利用できない環境では性能が低下する可能性がある。さらに、完全オンボード化により計算資源の制約が生じるが、実験では実用的な性能を示している。要旨からは、これらの限界や将来の改善点についての詳細な議論は不明である。

6. 次に読むべき論文は?

次に読むべき論文は、要旨で参照されているBehAVアーキテクチャの元論文、および関連するVLN研究、特にオンボード推論やSLMを用いたナビゲーション指示分解に関する研究が挙げられる。また、オープンボキャブラリ物体検出やセグメンテーションの手法、LiDARベースの目標定位に関する論文も関連する。具体的なタイトルは要旨からは不明である。

※ 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: Ali Salmasi, Xianjia Yu, Tomi Westerlund

分類: cs.RO

原文アブストラクト

Foundation-model-based vision-language navigation (VLN) has advanced autonomous robot navigation by enabling robots to interpret natural-language instructions, identify semantic goals, and follow user-specified behavioral rules. However, existing VLN systems rely heavily on cloud-hosted foundation models for language understanding and semantic grounding, limiting their applicability where network connectivity is unavailable and reliable metric goal localization is required. Although recent small language models (SLMs) enable fully onboard inference, their suitability for navigation instruction decomposition has not been systematically evaluated. This paper makes three contributions toward fully onboard VLN for outdoor environments. First, we present the first systematic benchmark of 17 edge-deployable SLMs against 4 online APIs for robotic navigation instruction decomposition, evaluating accuracy and latency on human-annotated instructions across three computing platforms and providing practical guidance for selecting onboard language models. Second, we propose a lightweight hybrid semantic-geometric goal localization framework that combines open-vocabulary object detection, prompted segmentation, and LiDAR geometry to estimate metric goals, while maintaining visual bearing guidance when reliable geometric observations are unavailable. Third, we integrate these advances into Edge-BehAV, a fully onboard extension of the BehAV architecture that enables cloud-independent behavior-guided navigation. Experimental results show that the best offline SLM matches the instruction decomposition performance of the strongest cloud API while running approximately 9x faster and without network connectivity. The proposed goal localization framework reduces mean goal-distance error from 2.05 m to 0.20 m at lower computational cost, and the complete system succeeds in 31 of 32 closed-loop outdoor trials.

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