日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
VLAarXiv:2610.07192

アッカーマン操舵移動ロボットによる連続環境での視覚言語ナビゲーションのsim-to-real転移

Sim-to-Real Transfer of Vision-Language Navigation in Continuous Environments Using an Ackermann-Steered Mobile Robot

シェア:XThreadsFacebookLINEはてブBluesky

ナビゲーショングラフや全周視野を使わず、視覚言語モデルとCross-Modal Attentionで自然言語指示に従う連続環境ナビゲーションを構築し、実機アッカーマンロボットで微調整してsim-to-real転移を実現した。

詳しい要約

1. どんなもの?

- 連続環境でのVision-Language Navigation (VLN)をAckermann-steered mobile robotで実現する研究。 - ナビゲーショングラフや360度ビュー、完全な位置推定を必要としないVLNアプローチをシミュレーションから実環境へ転移。 - 視覚と言語を共有埋め込み空間で整合させるvision-language modelsを統合。 - Cross-Modal Attention (CMA)ベースのアーキテクチャをシミュレーションで訓練し、実世界データでfine-tuning。 - カメラとLiDARを搭載したカスタムAckermann-steeredロボットを使用。 - オフラインで専用ハードウェア上で動作。

2. 先行研究と比べてどこがすごい?

- 従来のVLNモデルはナビゲーショングラフ、360度ビュー、完全な位置推定に依存し、実世界適応が困難。 - 本研究はそれらの制約を排除し、連続環境で動作するVLNをsim-to-real転移。 - ナビゲーショングラフやパノラマビューを必要としない点が新しい。 - 限られたエピソード数でのfine-tuningと線形photometric adjustmentsにより実環境に適応。 - オフラインで専用ハードウェア上で動作する点も実用性が高い。

3. 技術・手法の肝は?

- Cross-Modal Attention (CMA)ベースのアーキテクチャを採用。 - 視覚入力と言語指示を共有埋め込み空間で整合。 - 既存データセットでシミュレーション環境で訓練。 - カスタムAckermann-steeredロボットにカメラとLiDARを搭載し実世界データを収集。 - 線形photometric adjustmentsと限られたエピソードでのfine-tuningを実施。 - オフラインで専用ハードウェア上で動作するように設計。

4. どうやって有効だと検証した?

- Success weighted by Path Length (SPL) と Normalized Dynamic Time Warping (nDTW) メトリクスで評価。 - 実験結果はアプローチの堅牢性と適応性を示す。 - 具体的な数値や比較対象は要旨からは不明。

5. 議論はある?

- 要旨からは不明。

6. 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Vision-Language Navigation (VLN)、Cross-Modal Attention (CMA)、Sim-to-Real Transferが挙げられる。 - 同分野の定番としてVLNの基盤モデルやsim-to-real転移の研究が考えられるが、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: Chalindu Abeywansa, Sahan Gunasekara, Devindi De Silva, Seniru Dissanayake, Ranga Rodrigo, Peshala Jayasekara

分類: cs.AI, cs.RO

原文アブストラクト

Vision-Language Navigation (VLN) enables robots to navigate through environments using natural language instructions, making human-robot interaction intuitive. Traditional VLN models often rely on navigation graphs, 360-degree views, and perfect localization which pose significant challenges when adapting these models to real-world settings. This work addresses these limitations by performing a simulation-to-real domain shift of a VLN approach that operates in continuous environments without requiring navigation graphs or panoramic views. The proposed system integrates vision-language models that align visual inputs and linguistic instructions within a shared embedding space, facilitating natural language-driven navigation. We employ a Cross-Modal Attention (CMA) based architecture trained on an existing dataset in a simulated environment and fine-tune it using real-world data collected from a custom-built Ackermann-steered robot equipped with a camera and a LiDAR sensor. By utilising linear photometric adjustments and fine-tuning on a limited number of episodes, our model successfully adapts to real-world environments, achieving effective navigation while running offline on dedicated hardware. Experimental results, evaluated using Success weighted by Path Length (SPL) and Normalized Dynamic Time Warping (nDTW) metrics, demonstrate the robustness and adaptability of our approach. Keywords: Vision-Language Navigation, Cross-Modal Attention, Natural Language Instructions, Sim-to-Real Transfer, Autonomous Navigation, Ackermann-steering.

関連論文

PR本紙発行元 EmplifAI