HTNav: 都市部の航空ビジョンと言語ナビゲーションのための階層型構造を備えたハイブリッドナビゲーションフレームワーク

要旨: 一般的な視覚と言語に基づくナビゲーション（VLN）タスクに触発されて、航空（aerial）VLNは、物流配送や都市の点検といった実用的な価値が大きいことから、広く注目を集めてきました。しかし、既存の手法は、未見のシーンへの汎化の不足、長距離の経路計画における性能の最適でないこと、空間的な連続性の理解が不十分であることなど、複雑な都市環境においていくつかの課題に直面しています。これらの課題に対処するために、本論文では、Imitation Learning（IL）とReinforcement Learning（RL）をハイブリッドIL-RLフレームワーク内で統合する新しい協調型ナビゲーション枠組みHTNavを提案します。本フレームワークは、基本となるナビゲーション戦略の安定性を確保しつつ、環境探索能力を高めるために、段階的な学習メカニズムを採用します。階層化された意思決定メカニズムを組み込むことで、大域レベルの経路計画と、きめ細かな行動制御との協調的な相互作用を実現します。さらに、地図表現学習モジュールを導入し、オープンドメインにおける空間的連続性の理解を深めます。CityNavベンチマークにおいて、提案手法は、すべてのシーンレベルとタスクの難易度にわたって最先端の性能を達成します。実験結果は、このフレームワークが複雑な都市環境におけるナビゲーションの精度と頑健性を大幅に改善することを示しています。