SatNav: 衛星画像を用いた長距離UAV視覚言語ナビゲーションのためのスケーラブルなベンチマーク

- SatNavは、高解像度の衛星画像から構築された、都市規模の長距離UAV vision-language navigation (VLN) ベンチマーク。 - 衛星画像のクロップをUAVのnadir視点の近似として用い、city-levelのナビゲーション任務を対象とする。 - 自動cue-to-episodeパイプラインにより、18都市・59シーンから118Kエピソードを生成。平均軌跡長は379 m。 - 長期的記憶と地理空間推論を試すため、Boundary、Landmark、Routeの3タスクファミリーを定義。 - ループ進捗追跡、ランドマークに基づく空間グラウンディング、カウント手がかり付き経路追従を狙う。

- 既存ベンチマークは高コストな再構築3Dアセットに依存し、地理的多様性とエピソード規模の拡大が困難だった。 - SatNavは衛星画像から構築するためスケーラブルで、18都市・59シーン・118Kエピソードと大規模。 - 都市規模の長距離ナビゲーションを対象とし、平均379 mの軌跡で長期的記憶を要求。 - 衛星からUAVへの転移実験を行い、実飛行UAV観測でも動作することを示した点が実用的。

- 高解像度衛星画像を利用し、衛星クロップをUAV nadir視点の近似として視覚観測に用いる。 - 自動cue-to-episodeパイプラインで、cueからエピソードを構築。 - Boundary、Landmark、Routeの3タスクファミリーを定義し、ループ進捗追跡、ランドマーク空間グラウンディング、カウント手がかり付き経路追従を評価。 - SwiftVLNというモジュラー型フレームワークを導入し、交換可能なメモリコンポーネントを備える。 - メモリ設計の系統的アブレーションを実施。

- SatNav上で古典的VLNエージェントと最近のLVLMベースエージェントをベンチマークし、都市規模ナビゲーションが依然として困難であることを示した。 - SwiftVLNを導入し、メモリ設計の系統的アブレーションを実施。 - 衛星からUAVへの転移実験を行い、衛星で訓練したナビゲーションモデルが実飛行UAV観測で動作することを確認。 - これによりSatNavの実用的関連性を示した。

- 都市規模ナビゲーションは依然として困難であることがベンチマーク結果から示唆される。 - メモリ設計のアブレーションにより、長期的記憶の重要性や設計選択が性能に影響することが議論される。 - 衛星からUAVへの転移が可能である一方、その限界や実環境での課題については要旨からは不明。 - 具体的な議論の詳細は要旨からは不明。

- 古典的VLNエージェント（例：Seq2Seq、Speaker-Followerなど） - 最近のLVLMベースエージェント（例：NaVid、MapGPTなど） - SwiftVLN（本論文で導入） - 関連するUAV VLNベンチマーク（例：AerialVLN、CityNavなど） - メモリ設計に関する研究（例：Transformer-XL、MemGPTなど）