FreqNav: 物体指向型空中視覚言語ナビゲーションのための段階的周波数ルーティング

FreqNavは、物体指向の空中Vision-Language Navigation (VLN)のための軽量な周波数ルーティング適応型知覚フレームワークである。長期的で閉ループ制御の下で、記述された目標を探索し正確に着陸することを目的とする。ナビゲーションの段階に応じて、初期の探索では低周波の空間レイアウト、後期では高周波の目標詳細に知覚の優先度が移行するという観察に基づき、固定計算予算内で視覚トークンを周波数成分間で動的に再配分する。Frequency Token Routerが二重視点観測から段階関連の視覚表現を選択し、Phase-dependent Grounding Moduleが明示的な監視で視覚的証拠を固定し、Diffusion Transformerが連続制御のための滑らかな軌道を予測する。

既存のVLN手法は、ナビゲーション段階を通じて同一の視覚トークンを使用し、段階ごとに変化する知覚要件をモデル化しないため、無関係な物体や背景の乱雑さによる干渉を受ける。FreqNavは、長期的な空中ナビゲーションを空間構造から局所詳細への周波数選好シフトとして定式化し、周波数ルーティングにより視覚トークンを動的に再配分することで、この問題を軽量に解決する。さらに、強力なベースラインを上回りながら約3倍の推論高速化を達成しており、効率性と性能の両立が際立つ。

手法の核心は、ナビゲーション段階に応じて視覚トークンを周波数成分間で再配分するFrequency Token Routerと、明示的な監視で視覚的証拠を固定するPhase-dependent Grounding Moduleにある。二重視点観測から段階関連の視覚表現を選択し、固定計算予算内で適応的な知覚を実現する。さらに、Diffusion Transformerを用いて連続制御のための滑らかな軌道を予測する。

実験では、強力なベースラインと比較してFreqNavが優れた性能を示し、約3倍の推論高速化を達成した。さらに、実世界展開により、長期的な空中自律性における有効性、効率性、実用的可能性を実証した。

要旨からは、議論の詳細は不明である。ただし、周波数ルーティングの設計や実世界展開における限界、他のVLNタスクへの一般化などが議論の対象となり得るが、要旨には明記されていない。

要旨で参照されている関連研究は明示されていないが、同分野の定番として、Vision-Language Navigation (VLN)のベースライン手法や、空中ナビゲーション、Diffusion Transformerを用いた軌道予測に関する論文が挙げられる。具体的には、VLN-CEやAirVLNなどのデータセットや手法、また周波数領域での視覚表現学習に関する研究が関連する。