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:2610.34028

視覚言語ナビゲーションにおける段階認識型の視覚的寄与度説明手法

Explaining Navigation Decisions: Stage-Aware Visual Attribution for Vision-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語ナビゲーションの意思決定を説明するため、指示の段階に応じて過去と現在の観測を統合し寄与度を推定する枠組みを提案し、失敗分析や実機ロボットでの有効性を示した。

詳しい要約

1. どんなもの？

- Vision-Language Navigation (VLN) における Vision-Language Models (VLMs) のナビゲーション判断を説明するための stage-aware attribution framework を提案する研究。 - 現行の説明手法が抱える instruction-stage insensitivity(異なるナビゲーション段階でも似た説明を出す問題)を指摘。 - 履歴と現在の観測にまたがる証拠を、instruction stage と関連付けて集約する説明手法を構築。 - 複数の VLN policy と benchmark で評価し、Unitree G1 robot での実機適用も検証。

2. 先行研究と比べてどこがすごい？

- 既存の explainability 手法は、VLN において現在の行動の証拠が履歴・現在の観測に分散し、異なる instruction stage に対応する点を見落としていると指摘。 - 特に instruction-stage insensitivity という問題を同定した点が新規。 - 段階を考慮した attribution により、既存手法より attribution quality が向上したと報告。 - 失敗事例分析の diagnostic tool としての用途や実機適用も示す。

3. 技術・手法の肝は？

- action-conditioned temporal instruction--visual attributions を観測間で構築。 - その attribution を instruction space に射影して stage associations を推定。 - 推定された stage 情報に基づき、関連する履歴証拠を集約して現在の説明を精緻化。 - instruction-guided spatial filter により孤立した応答を抑制し、instruction に関連するコンパクトな領域を保持。

4. どうやって有効だと検証した？

- 複数の VLN policy と benchmark で実験し、既存手法に対する attribution quality の改善を確認。 - 失敗事例を分析する diagnostic tool として機能することを提示。 - Unitree G1 robot 上で実世界ナビゲーションへの適用可能性を検証。

5. 議論はある？

- instruction-stage insensitivity の同定と、stage-aware な集約による改善を主張。 - 失敗事例分析への有用性と実機適用性を示す。 - 具体的な限界や失敗条件、計算コストなどは要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として Vision-Language Navigation (VLN)、Vision-Language Models (VLMs)、attribution/explainability 手法、instruction-guided spatial filter などの一般名を手がかりに調査するのが妥当。 - 具体的な次読論文は要旨からは不明。

※ 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: Yiyuan Yao, Xinpeng Ding, Minglei Chen, Fei Gao, Lihuo He, Jie Yuan, Aijun Li, Nannan Wang, Xinbo Gao

分類: cs.CV

原文アブストラクト

As Vision-Language Models (VLMs) increasingly enable robots to follow language instructions, understanding their navigation decisions becomes important for reliable deployment. Existing explainability methods overlook a key challenge in Vision-Language Navigation (VLN): evidence for the current action may be distributed across historical and current observations and associated with different instruction stages. We identify instruction-stage insensitivity, where existing methods produce similar explanations despite changes across different navigation stages. To address this issue, we propose a stage-aware attribution framework for VLN. We first construct action-conditioned temporal instruction--visual attributions across observations. These attributions are projected into instruction space to estimate stage associations, which guide the aggregation of relevant historical evidence for refining the current explanation. An instruction-guided spatial filter further suppresses isolated responses while preserving compact, instruction-relevant regions. Experiments across multiple VLN policies and benchmarks show improved attribution quality over existing methods. We further demonstrate that our method acts as a diagnostic tool for analyzing failure cases, and validate its applicability to real-world navigation on a Unitree G1 robot.

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