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:2610.05664

StageVLN: 空間・軌跡補助ガイダンスによる効率的な視覚言語ナビゲーション

StageVLN: Spatial and Trajectory Auxiliary Guidance for Efficient Vision-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

訓練時のみ幾何学基盤モデルと軌跡監督でナビゲーション表現を強化し、推論時は追加計算なしで高い性能を達成するフレームワーク。

詳しい要約

1. どんなもの?

- どんなもの? - Vision-and-Language Navigation (VLN) のための訓練フレームワーク StageVLN を提案。 - 大規模 vision-language models (VLMs) の意味的 prior を活用しつつ、推論時には追加の geometry encoder を必要としない。 - 訓練時のみ privileged な spatial および trajectory guidance を用いてナビゲーション表現を形成。 - 推論経路は元のまま保持し、展開時の計算・メモリオーバーヘッドを回避。

2. 先行研究と比べてどこがすごい?

- 先行研究と比べてどこがすごい? - 従来の VLN ポリシーは action supervision のみで、中間表現が scene geometry や relative orientation、global episode progress を保持することを明示的に促していなかった。 - 推論時に depth estimator、explicit maps、point clouds、geometry foundation models を組み込む手法は計算・メモリコストやアーキテクチャ依存を招く。 - StageVLN は訓練時のみ補助 guidance を用い、推論時には追加の geometry encoder なしで高い性能を達成。 - R2R-CE validation-unseen で 56.3% SR、51.4% SPL を 4B パラメータ backbone で実現。 - RxR-CE で追加のナビゲーション訓練データや推論時 geometry encoder なしに 54.3% SR を達成。

3. 技術・手法の肝は?

- 技術や手法の肝はどこ? - 凍結した geometry foundation model が階層的ナビゲータ状態に multi-level spatial guidance を提供。 - relative-heading と expert-route progress 目的が補完的な trajectory-state supervision を与える。 - すべての補助コンポーネントは訓練時のみ使用され、展開時には除去される。 - これにより推論経路を変更せずに、表現が空間・軌跡情報を保持するよう誘導。

4. どうやって有効だと検証した?

- どうやって有効だと検証した? - R2R-CE validation-unseen で評価し、56.3% SR と 51.4% SPL を達成。 - RxR-CE で評価し、54.3% SR を達成。 - 追加のナビゲーション訓練データや推論時 geometry encoder なしでこれらの結果を報告。 - 4B パラメータ backbone を使用。

5. 議論はある?

- 議論はある? - 要旨からは不明。 - 訓練時のみ補助 guidance を用いる設計の一般性や限界についての議論は要旨に記載なし。 - 推論時オーバーヘッドなしで性能向上を達成した点が強調されているが、他のデータセットや実環境での検証、失敗事例などは言及されていない。

6. 次に読むべき論文は?

- 次に読むべき論文は? - 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、VLN における vision-language models (VLMs) を用いた手法、geometry foundation models を訓練時のみ利用する手法、R2R-CE や RxR-CE ベンチマークを扱う研究が挙げられる。 - 具体的な論文名は要旨からは不明。

※ 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: Anh Dao, Quan-Dung Pham, Le Danh Vinh, The Anh Nguyen, Nguyen Viet Tri Pham, Yiyu Chen, Pham Tuyen Le, Van-Truong Nguyen, Quan Nguyen

分類: cs.CV, cs.RO

原文アブストラクト

Vision-and-Language Navigation (VLN) policies increasingly benefit from strong semantic priors provided by large vision-language models (VLMs). However, standard action supervision does not explicitly encourage intermediate representations to preserve scene geometry, relative orientation, or global episode progress. Incorporating depth estimators, explicit maps, point clouds, or geometry foundation models at inference can provide such structure but introduces additional computation, memory overhead, and architectural dependence during deployment. We introduce StageVLN, a training framework that shapes navigation representations through privileged spatial and trajectory guidance while preserving the original inference pathway. A frozen geometry foundation model provides multi-level spatial guidance to hierarchical navigator states, while relative-heading and expert-route progress objectives provide complementary trajectory-state supervision. All auxiliary components are used only during training and removed at deployment. On R2R-CE validation-unseen, StageVLN achieves 56.3\% SR and 51.4\% SPL with a 4B-parameter backbone, without an additional geometry encoder at inference. On RxR-CE, it achieves 54.3\% SR without additional navigation training data or a geometry encoder at inference.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI