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
空中マニピュレーションarXiv:2610.18381

異種環境を横断する対話型空中移動のベンチマーク

Benchmarking Interaction-Oriented Aerial Mobility across Heterogeneous Environments

シェア:XThreadsFacebookLINEはてブBluesky

屋内・屋外をまたぐ長期的な空中移動と操作のためのベンチマークCrossFlyを提案し、VLAエージェントの性能を評価した。

詳しい要約

1. どんなもの？

- 異種環境を跨ぐ長期的なinteraction-oriented aerial mobilityのベンチマークCrossFlyを提案。 - Indoor、Outdoor、Indoor↔Outdoorの軌道を含む15K trajectories、20以上の再構築シーンを統一シミュレーション・評価フレームワークで提供。 - 下流のmanipulation policyを仮定せず、終端ナビゲーション状態がinteractionに適するかを評価するInteraction Readiness Rate (IRR)を導入。 - 5つの代表的なaerial vision-language-action (VLA) agentsとCrossFly-Agentを評価。

2. 先行研究と比べてどこがすごい？

- 既存のaerial benchmarksは単一環境設定に限定され、連続的な環境遷移を評価できない。 - interaction評価時もagentをtarget近くに初期化することが多く、navigationからinteractionへの遷移が未評価だった。 - CrossFlyは異種環境を跨ぐ長期的軌道とIRRにより、このギャップを埋める。

3. 技術・手法の肝は？

- 統一シミュレーション・評価フレームワーク下でIndoor、Outdoor、Indoor↔Outdoorの15K trajectoriesを収集。 - 20以上の再構築シーンを用意。 - Interaction Readiness Rate (IRR)を提案し、特定のmanipulation policyに依存せず終端ナビゲーション状態のinteraction適合性を評価。 - CrossFly-Agentを提案し、代表的なaerial VLA agentsと比較。

4. どうやって有効だと検証した？

- 5つの代表的なaerial vision-language-action (VLA) agentsとCrossFly-Agentを実験。 - Indoor↔Outdoor設定は単一環境設定より困難で、未見シーンでの最高成功率は9.7%であることを示す。 - 下流のmanipulationケーススタディにより、interaction-oriented arrivalが後続のphysical interactionに関連することを検証。

5. 議論はある？

- Indoor↔Outdoor設定が単一環境設定より難しいことを実験結果が示す。 - 未見シーンでの最高成功率は9.7%に留まり、課題の難しさを示唆。 - 下流manipulationケーススタディはinteraction-oriented arrivalの重要性を支持。 - その他の議論や限界は要旨からは不明。

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aerial vision-language-action (VLA) agents、aerial mobile manipulation、aerial benchmarksが挙げられる。 - 同分野の定番としてUAV navigation、mobile manipulation、embodied AI benchmarksが考えられる。

※ 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: Zhibo Duan, Hanlin Kong, Tianran Ma, Yuze Wu, Yuxuan Xu, Kenghou Hoi, Changheng Xie, Xin Zhou, Jianzhe Gao, Fei Gao, Wenguan Wang

分類: cs.RO

原文アブストラクト

Aerial mobile manipulation requires unmanned aerial vehicles (UAVs) to traverse heterogeneous environments such as indoor and outdoor domains, and connect navigation with subsequent physical interaction within the same trajectories. Existing aerial benchmarks are typically confined to single-environment settings, limiting evaluation of agents across continuous environmental transitions. When interaction is evaluated, agents are often initialized near the target, leaving the transition from navigation to interaction largely unassessed. This work introduces CrossFly, a benchmark for long-horizon interaction-oriented aerial mobility across heterogeneous environments. CrossFly contains 15K trajectories across more than 20 reconstructed scenes under a unified simulation and evaluation framework, covering Indoor, Outdoor, and Indoor$\leftrightarrow$Outdoor trajectories. It further introduces Interaction Readiness Rate (IRR) to assess whether terminal navigation states provide suitable conditions for downstream interaction without assuming a specific manipulation policy. Experiments with five representative aerial vision-language-action (VLA) agents and the proposed CrossFly-Agent show that Indoor$\leftrightarrow$Outdoor settings are more challenging than single-environment settings, with the highest success rate reaching 9.7% on unseen scenes. A downstream manipulation case study further validates the relevance of interaction-oriented arrival to subsequent physical interaction. We hope CrossFly helps advance aerial embodied intelligence toward unified mobility and physical interaction in heterogeneous environments.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI