屋内環境でのUAVナビゲーションは、限られた視野、遮蔽、複雑なシーン構造といった課題に直面する。従来のビジョンベースのナビゲーションフレームワークは単一視点の観測に依存しており、遮蔽や目標の可視性、全体的なシーン構造を推論する能力が限られていた。この制約を克服するため、Faryal Batoolら5名の著者によって提案されたAgenticDiffusionフレームワークは、マルチビュー知覚とエージェント意思決定を革新的に組み合わせ、UAV屋内ナビゲーションに新たな道を開く。
AgenticDiffusionの中核は、言語誘導推論、オープンボキャブラリ目標定位、視覚ベースの拡散計画、非線形モデル予測制御（NMPC）という4つの主要モジュールを調整する統合航空ナビゲーションパイプラインである。システムは自然言語指示を受け取り、同期された一人称視点（FPV）とトップビューの観測を利用する。軌道実行前に、フレームワークはナビゲーションに最も情報量の多い視点を決定し、ミッションプランを生成する。その後、オープンボキャブラリ定位モデルがシーン内の目標を特定し、視点固有の拡散プランナーがUAV実行用のナビゲーション軌道を生成する。
相補的な視点を組み合わせることで、このフレームワークは繰り返しの目標探索を大幅に削減し、雑然とした屋内環境でのナビゲーション効率を向上させる。研究チームは4つの実世界UAVナビゲーションシナリオでシステム性能を検証した。適応視点選択、多段階ミッション実行、長期ナビゲーション、安全な着陸地点選択が含まれる。実験結果では、合計40回の実世界試験で全体ミッション成功率80%を達成し、拡散プランナーの軌道生成成功率は100%に達した。
この研究の意義は、大規模言語モデル誘導推論と拡散モデル計画を組み合わせることで、複雑な屋内環境におけるUAVの自律性を高める方法を示した点にある。マルチビュー融合戦略は単一視点知覚の不足を効果的に補い、搜索救助や屋内点検などのシナリオにおける将来のUAV応用に強力な技術サポートを提供する。本論文はarXivに投稿され、番号は2606.04111、ロボティクス（cs.RO）カテゴリに属し、人工知能（cs.AI）およびシステムと制御（eess.SY）分野にも関連している。