論文の概要: Can LLMs Learn to Map the World from Local Descriptions?

• arxiv url: http://arxiv.org/abs/2505.20874v1
• Date: Tue, 27 May 2025 08:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.507918
• Title: Can LLMs Learn to Map the World from Local Descriptions?
• Title（参考訳）: LLMは地域記述から世界地図を学べるか?
• Authors: Sirui Xia, Aili Chen, Xintao Wang, Tinghui Zhu, Yikai Zhang, Jiangjie Chen, Yanghua Xiao,
• Abstract要約: 本研究では,Large Language Models (LLMs) がコヒーレントなグローバル空間認識を構築できるかどうかを検討する。 都市環境を模擬した実験により, LLMは実空間分布に一致した潜在表現を示すことを示した。
• 参考スコア（独自算出の注目度）: 50.490593949836146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Large Language Models (LLMs) have demonstrated strong capabilities in tasks such as code and mathematics. However, their potential to internalize structured spatial knowledge remains underexplored. This study investigates whether LLMs, grounded in locally relative human observations, can construct coherent global spatial cognition by integrating fragmented relational descriptions. We focus on two core aspects of spatial cognition: spatial perception, where models infer consistent global layouts from local positional relationships, and spatial navigation, where models learn road connectivity from trajectory data and plan optimal paths between unconnected locations. Experiments conducted in a simulated urban environment demonstrate that LLMs not only generalize to unseen spatial relationships between points of interest (POIs) but also exhibit latent representations aligned with real-world spatial distributions. Furthermore, LLMs can learn road connectivity from trajectory descriptions, enabling accurate path planning and dynamic spatial awareness during navigation.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、コードや数学といったタスクにおいて強力な能力を示している。 しかし、その構造的空間知識の内部化の可能性はまだ未解明のままである。 本研究では, 局所的な人間観測に基づくLLMが, 断片化された関係記述を統合することで, グローバルな空間認知を構築することができるかどうかを検討する。 空間認識では,局所的な位置関係から一貫したグローバルなレイアウトを推定する空間認識と,軌跡データから道路接続を学習し,接続されていない場所間の最適経路を計画する空間ナビゲーションの2つの側面に焦点をあてる。 都市環境を模擬した実験により, LLMは関心点間の空間的関係(POI)を一般化するだけでなく, 実世界の空間分布と一致した潜在表現を示すことを示した。 さらに、LLMは軌道記述から道路接続を学習し、正確な経路計画とナビゲーション中の動的空間認識を可能にする。

関連論文リスト

• SpatialLLM: From Multi-modality Data to Urban Spatial Intelligence [13.810192130250744]
  SpaceLLMのコアは、シーンベースの分析のために事前学習されたLCMを誘導するために、生の空間データから詳細で構造化されたシーン記述を構築することである。 広汎な実験により,事前学習したLLMは空間分布情報を正確に知覚できることが判明した。 都市分析におけるLLM性能に影響を及ぼす要因として,多分野知識,文脈長,推論能力が重要である。
  論文  参考訳（メタデータ） (2025-05-19T04:53:41Z)
• Dynamic Path Navigation for Motion Agents with LLM Reasoning [69.5875073447454]
  大規模言語モデル(LLM)は、強力な一般化可能な推論と計画能力を示している。 本研究では,LLMのゼロショットナビゲーションと経路生成機能について,データセットの構築と評価プロトコルの提案により検討する。 このようなタスクが適切に構成されている場合、現代のLCMは、目標に到達するために生成された動きでナビゲーションを自律的に精錬しながら障害を回避するためのかなりの計画能力を示す。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• From Text to Space: Mapping Abstract Spatial Models in LLMs during a Grid-World Navigation Task [0.0]
  グリッドワールドナビゲーションタスクにおける大規模言語モデル(LLM)の性能と内部アクティベーションに及ぼすテキストベース空間表現の影響について検討する。 実験の結果, 空間のカルデシアン表現は, モデルサイズに比例して高い成功率と経路効率が得られることがわかった。 この研究は、LLMが空間情報をどのように処理するかの理解を深め、より解釈可能で堅牢なエージェントAIシステムの開発に有用な洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-23T19:09:01Z)
• Evaluating the Effectiveness of Large Language Models in Representing and Understanding Movement Trajectories [1.3658544194443192]
  本研究は,運動軌跡を表現するAI基盤モデルの能力を評価することに焦点を当てる。 大規模言語モデルの一つ (LLM) を用いて, トラジェクトリの文字列形式を符号化し, トラジェクトリデータ解析における LLM に基づく表現の有効性を評価する。
  論文  参考訳（メタデータ） (2024-08-31T02:57:25Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• SpaRC and SpaRP: Spatial Reasoning Characterization and Path Generation for Understanding Spatial Reasoning Capability of Large Language Models [70.01883340129204]
  空間推論は 生物学的と人工知能の両方において 重要な要素です 本稿では,現在最先端の大規模言語モデル (LLM) の空間的推論能力について包括的に検討する。
  論文  参考訳（メタデータ） (2024-06-07T01:06:34Z)
• A systematic review of geospatial location embedding approaches in large language models: A path to spatial AI systems [0.0]
  地理空間的位置埋め込み(GLE)は、大規模言語モデル(LLM)が空間データを同化して解析するのに役立つ。 GLEは、空間的知識をモデルアーキテクチャに組み込む空間的基礎/言語モデル(SLM)の必要性を示唆している。
  論文  参考訳（メタデータ） (2024-01-12T12:43:33Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。