論文の概要: Generative Floor Plan Design with LLMs via Reinforcement Learning with Verifiable Rewards
- arxiv url: http://arxiv.org/abs/2605.14117v1
- Date: Wed, 13 May 2026 21:06:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.506586
- Title: Generative Floor Plan Design with LLMs via Reinforcement Learning with Verifiable Rewards
- Title（参考訳）: 検証可能なリワードを用いた強化学習によるLCMを用いた生成床計画設計
- Authors: Luis Lara, Aristides Milios, Zhi Hao Luo, Aditya Sharma, Ge Ya Luo, Christopher Beckham, Florian Golemo, Christopher Pal,
- Abstract要約: プロのフロアプラン設計のためのAIシステムは、部屋間の接続性を尊重しながら、部屋の寸法と面積を正確に制御する必要がある。
既存の生成的アプローチは主に部屋間の要求された接続を尊重することに重点を置いているが、数値的な制約を尊重するフロアプランの生成はサポートしていない。
本稿では,大規模言語モデル(LLM)を実際の計画に微調整するテキストベースのフロアプラン生成手法を提案する。
本研究は,LLMが制約を効果的に処理できることを示し,テキストベース生成モデリングの幅広い応用を提案する。
- 参考スコア（独自算出の注目度）: 16.41930427892441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An AI system for professional floor plan design must precisely control room dimensions and areas while respecting the desired connectivity between rooms and maintaining functional and aesthetic quality. Existing generative approaches focus primarily on respecting the requested connectivity between rooms, but do not support generating floor plans that respect numerical constraints. We introduce a text-based floor plan generation approach that fine-tunes a large language model (LLM) on real plans and then applies reinforcement learning with verifiable rewards (RLVR) to improve adherence to topological and numerical constraints while discouraging invalid or overlapping outputs. Furthermore, we design a set of constraint adherence metrics to systematically measure how generated floor plans align with user-defined constraints. Our model generates floor plans that satisfy user-defined connectivity and numerical constraints and outperforms existing methods on Realism, Compatibility, and Diversity metrics. Across all tasks, our approach achieves at least a 94% relative reduction in Compatibility compared with existing methods. Our results demonstrate that LLMs can effectively handle constraints in this setting, suggesting broader applications for text-based generative modeling.
- Abstract（参考訳）: プロのフロアプラン設計のためのAIシステムは、部屋間の望ましい接続を尊重し、機能的および美的品質を維持しながら、部屋の寸法と面積を正確に制御する必要がある。
既存の生成的アプローチは主に部屋間の要求された接続を尊重することに重点を置いているが、数値的な制約を尊重するフロアプランの生成はサポートしていない。
本研究では,大規模言語モデル(LLM)を実計画上で微調整するテキストベースのフロアプラン生成手法を提案する。
さらに、生成されたフロアプランがユーザ定義の制約とどのように一致しているかを体系的に測定するために、一連の制約順守指標を設計する。
本モデルでは,ユーザ定義の接続性と数値制約を満たすフロアプランを生成し,Realism, Compatibility, Diversityの既存の手法より優れている。
全てのタスクにおいて、我々の手法は、既存の手法と比較して、互換性の少なくとも94%の相対的な削減を実現している。
本研究は,LLMが制約を効果的に処理できることを示し,テキストベース生成モデリングの幅広い応用を提案する。
関連論文リスト
- Unified Vector Floorplan Generation via Markup Representation [36.228613615394856]
本稿ではフロアプランマークアップ言語(FML)を紹介し,フロアプラン情報を単一構造文法内にエンコードする表現について述べる。
本研究では,多種多様な条件下で高忠実かつ機能的なフロアプランを生成可能なトランスフォーマーベース生成モデルFMLMを開発した。
論文 参考訳（メタデータ） (2026-04-06T17:04:30Z) - Connectivity-Aware Representations for Constrained Motion Planning via Multi-Scale Contrastive Learning [6.0393663164774125]
制約された動き計画の目的は、タスク固有の制約を満たしながら開始とゴールの設定を接続することである。
本稿では,これらの課題に対して,計画前に開始と目標の設定を選択するための接続性を考慮した表現を学習することによって解決する。
論文 参考訳（メタデータ） (2026-03-26T10:44:21Z) - LLM-Grounded Dynamic Task Planning with Hierarchical Temporal Logic for Human-Aware Multi-Robot Collaboration [17.886091169216538]
大規模言語モデル(LLM)は、オープンワールドのマルチロボットタスクを非専門家が指定できるようにする。
LLMの計画は実現性に欠けることが多く、特に長期のシナリオでは効率的ではない。
階層的仕様の推論を基礎としたニューロシンボリックな枠組みを提案する。
論文 参考訳（メタデータ） (2026-02-10T07:11:36Z) - TLC-Plan: A Two-Level Codebook Based Network for End-to-End Vector Floorplan Generation [19.063941053235567]
空間入力境界からベクトルを直接合成する階層的生成モデルであるTLC-Planを提案する。
TLC-Planは、グローバルレイアウトをセマンティックラベル付きルームバウンディングボックスとしてエンコードするために、2レベルVQ-VAEを使用している。
実験では、RPLANデータセット上での最先端のパフォーマンスと、LIデータセット上でのリード結果が示されている。
論文 参考訳（メタデータ） (2026-02-06T15:36:50Z) - Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。
本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。
我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
論文 参考訳（メタデータ） (2025-11-04T13:42:05Z) - Platform-Aware Mission Planning [50.56223680851687]
本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。
第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。
提案手法の健全性と完全性を実証し,実験により検証する。
論文 参考訳（メタデータ） (2025-01-16T16:20:37Z) - HouseTune: Two-Stage Floorplan Generation with LLM Assistance [10.558141230827847]
本稿では,大規模言語モデルの推論能力と拡散モデルの生成能力を組み合わせた2段階のテキスト・ツー・フロアプラン・フレームワークを提案する。
実験結果から,本手法は全指標の最先端性能を実現し,実用的ホームデザインアプリケーションにおける有効性を検証した。
論文 参考訳（メタデータ） (2024-11-19T06:57:45Z) - Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification [76.14641982122696]
本稿では,属性制御付き大規模言語モデル(LLM)の制約学習スキーマを提案する。
提案手法は, ベンチマーク上での競合性能と毒性検出タスクを達成しながら, 不適切な応答を少ないLCMに導出することを示す。
論文 参考訳（メタデータ） (2024-10-07T23:38:58Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。
本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。
古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
論文 参考訳（メタデータ） (2023-06-22T20:40:24Z)
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。