ナビゲーション2026/8/12arXiv:2608.12308

DreamFly: 空中視覚言語ナビゲーションのための因果メモリと後退地平線拡散プランニング

DreamFly: Causal Memory and Receding-Horizon Diffusion Planning for Aerial Vision-Language Navigation

空中VLNタスクにおいて、過去の観測のみを用いた因果メモリと、Kステップの行動計画を生成し最初の行動だけを実行する後退地平線拡散プランニングを導入し、停止判定を分離することでナビゲーション性能を向上させた。

詳しい要約

1. どんなもの？

DreamFlyは、空中Vision-Language Navigation (VLN)のための拡散ベースのフレームワークであり、Dream-VLAを基盤としている。部分観測下で、時間的推論のための因果的に整合した履歴メモリ、将来の行動計画のためのreceding-horizon diffusion planning、および明示的な停止判定のためのLiteStopを導入する。OpenFlyベンチマークで評価され、見た環境と未見の環境の両方で最先端の性能を達成する。

2. 先行研究と比べてどこがすごい？

従来のVLAモデルは、限られた履歴コンテキスト、短い計画ホライズン、信頼性の低い暗黙の終了判定により、空中ナビゲーションに適応することが困難であった。DreamFlyは、因果的に整合した履歴メモリにより未来情報の漏洩を防ぎつつ時間的推論を可能にし、receding-horizon planningにより閉ループの視覚フィードバックを維持しながら将来の行動構造を活用し、LiteStopにより終了判定を行動生成から分離する点が優れている。

3. 技術・手法の肝は？

手法の核は3つ。(1) 因果的に整合した履歴メモリ: 現在の決定ステップより前の観測のみを使用して現在の視覚表現を拡張し、時間的推論を可能にする。(2) Receding-horizon diffusion planning: ポリシーがKステップの行動チャンクを予測するが、最初の行動のみを実行して再計画する。将来の行動を補助的な計画ターゲットとして使用しつつ、閉ループの視覚フィードバックを維持する。(3) LiteStop: 初期のall-mask状態で行動ロジットから直接停止確率を推定し、明示的な終了判定を行動生成から分離する。

4. どうやって有効だと検証した？

OpenFlyベンチマークのtest-seen/test-unseen分割で評価し、SR (Success Rate) とSPL (Success weighted by Path Length) を指標とした。DreamFlyはtest-seenでSR 32.04%、SPL 28.22%、test-unseenでSR 29.46%、SPL 23.54%を達成し、比較したすべての手法を両指標で上回り、最も低いナビゲーションエラーを達成した。

5. 議論はある？

要旨からは、提案手法の有効性は示されているが、限界や議論については明記されていない。例えば、計算コストや実世界への適用性、他のベンチマークでの汎用性などは不明である。また、LiteStopの停止確率推定の詳細や、履歴メモリの長さの影響なども議論されていない。

6. 次に読むべき論文は？

要旨で参照されているDream-VLA、および関連する空中VLNのベンチマークであるOpenFlyに関する論文が挙げられる。また、拡散計画やVision-Language Navigationの分野の一般的な研究（例: VLNに関する既存手法）も関連する。

※ 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: Yan Deng, Fei Xu

分類: cs.CV, cs.AI

原文アブストラクト

Aerial vision-language navigation (VLN) requires an embodied agent to integrate visual evidence over time, plan future actions, and determine when it has reached a navigation goal under partial observability. Although recent VLA models offer a promising perception-to-action paradigm, adapting them to aerial navigation remains challenging due to limited historical context, short planning horizons, and unreliable implicit termination. To address these challenges, we propose DreamFly, a diffusion-based aerial VLN framework built on Dream-VLA. DreamFly introduces a causally aligned historical memory that augments the current visual representation using only observations preceding the current decision step, enabling temporal reasoning without future information leakage. We further formulate navigation as receding-horizon diffusion planning, where the policy predicts a $K$-step action chunk but executes only the first action before replanning. This plan-$K$, execute-one strategy uses future actions as auxiliary planning targets while preserving closed-loop visual feedback. Finally, LiteStop estimates the stop probability directly from action logits at the initial all-mask state, decoupling explicit termination from action generation. Experiments on the OpenFly benchmark demonstrate consistent improvements in seen and unseen environments. DreamFly achieves 32.04%/29.46% SR and 28.22%/23.54% SPL on the test-seen/test-unseen splits, respectively, outperforming all compared methods on both metrics while attaining the lowest navigation error. These results demonstrate the effectiveness of jointly modeling historical context, future action structure, and explicit termination for aerial VLN.

arXivで原文を読む →arXiv概要ページ