論文の概要: RoboPIN: Grounded Embodied Reasoning via Pinned Chain-of-Thought
- arxiv url: http://arxiv.org/abs/2606.15753v1
- Date: Sun, 14 Jun 2026 11:30:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.825273
- Title: RoboPIN: Grounded Embodied Reasoning via Pinned Chain-of-Thought
- Title（参考訳）: RoboPIN:Pinned Chain-of-Thoughtによる地上の身体的推論
- Abstract要約: 身体的推論は、物理的環境におけるタスク関連オブジェクトや空間を知覚するモデルを必要とする。
現在の視覚言語モデルは、テキストのみまたはコーディネートで拡張されたチェーン・オブ・思想に依存している。
我々は、あらゆる推論ステップを視覚的証拠にピン留めする構造化推論パラダイムであるPinned Chain-of-Thoughtを提案する。
- 参考スコア（独自算出の注目度）: 50.36951914894845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embodied reasoning requires models to perceive task-relevant objects and spaces in physical environments and maintain consistent visual grounding throughout multi-step reasoning. However, current vision-language models rely on text-only or coordinate-augmented chain-of-thought, where entity references remain implicit and ambiguous. This may cause the reasoning process to decouple from visual evidence, entity references to drift across steps, and a causal disconnection between the reasoning trajectory and the final answer, with these problems further amplified in multi-view scenarios due to cross-view appearance changes. To address these issues, we propose Pinned Chain-of-Thought (\pincot{}), a structured reasoning paradigm that pins every reasoning step to visual evidence. \pincot{} introduces the concept of \reasoninganchor{}, which binds each task-relevant entity to a structured visual anchor with entity name, unique identity, view index, and spatial grounding, enabling consistent entity tracking across reasoning steps and views. We build a fully automated data generation pipeline to construct \dataset{}, a high-quality \pincot{}-formatted reasoning dataset. We then train \method{} through three-stage post-training that progressively injects embodied knowledge, structured reasoning ability, and process-supervised alignment, with rewards that directly constrain both anchor localization and identity consistency during reasoning. On 14 benchmarks covering embodied spatial reasoning, multi-view reasoning, and pointing, \method{} with only 4B parameters consistently outperforms 7B level open-source embodied models, achieving a 12\% average improvement over the strongest 7B baseline, Mimo-Embodied. Further analysis shows that \pincot{} improves grounding accuracy and cross-step identity consistency, validating the effectiveness of process supervision.
- Abstract（参考訳）: 身体的推論は、物理的環境におけるタスク関連オブジェクトや空間を知覚し、多段階推論を通して一貫した視覚的接地を維持するモデルを必要とする。
しかしながら、現在の視覚言語モデルは、エンティティ参照が暗黙的かつ曖昧なままで、テキストのみまたはコーディネート拡張されたチェーンオブ思想に依存している。
このことは、推論過程を視覚的証拠から切り離し、各ステップにまたがる実体参照と、推論軌道と最終解の因果関係から切り離し、これらの問題は、クロスビューの外観変化による多視点シナリオにおいてさらに増幅される可能性がある。
これらの問題に対処するために、視覚的証拠にすべての推論ステップをピン留めする構造化推論パラダイムであるPinned Chain-of-Thought (\pincot{})を提案する。
これは、各タスク関連エンティティをエンティティ名、ユニークなアイデンティティ、ビューインデックス、空間的グラウンドで構造化されたビジュアルアンカーにバインドし、推論ステップとビューをまたいだ一貫性のあるエンティティトラッキングを可能にする。
我々は、高品質な \pincot{} 形式の推論データセットである \dataset{} を構築するために、完全に自動化されたデータ生成パイプラインを構築します。
次に,3段階のポストトレーニングを通じて,エンボディド知識,構造化推論能力,プロセス制御アライメントを段階的に注入し,推論中のアンカーローカライゼーションとアイデンティティ整合性を直接拘束する報酬を付与する。
エンボディド空間推論、マルチビュー推論、ポインティングを含む14のベンチマークにおいて、4Bパラメータのみを持つ 'method{} は、7Bレベルのオープンソースエンボディドモデルより一貫して優れており、最強の7Bベースラインである Mimo-Embodied よりも平均 12 % 改善されている。
さらに分析した結果, プロセス監視の有効性を検証することにより, グラウンドリング精度とクロスステップアイデンティティの整合性を向上させることが確認された。
関連論文リスト
- H-GRPO: Permutation-Invariant Reinforcement Learning for Grounded Visual Reasoning [14.276463740862825]
VLM(Vision-Language Models)は、ベンチマークで高パフォーマンスを実現し、「ブラックボックス」を継続する。
そこで本稿では,De-compositional Evidence Groundingによる性能と解釈性の向上を目的としたフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-29T07:51:25Z) - RoBoSR: Structured Scene Representations for Embodied Robotic Reasoning [14.955041656490849]
ステップワイズ状態遷移として操作を定式化する中間構造表現であるRoBoSRを導入する。
物体の状態とその空間的関係を知覚作用インタフェースでモデル化することにより、RoBoSRは生の入力から高レベルなタスク推論を解き放つ。
我々は、シーン理解、命令解釈、サブタスク計画を共同で監督するオープンワールドデータセットであるManip-Cognition-1.6Mを構築した。
論文 参考訳（メタデータ） (2026-06-23T09:24:52Z) - When Attention Collapses: Stage-Aware Visual Token Pruning from Structure to Semantics [14.506581918176478]
本稿では,新しい2段階の視覚トークン解析フレームワークであるStructure-to-Semantics(STS)を紹介する。
第1段階では、空間的および構造的多様性を最大化するために、反発に基づくサンプリング機構を採用している。
第2段階は命令対応のクロスアテンションを利用して、プロンプト非関連トークンを正確にフィルタリングする。
論文 参考訳（メタデータ） (2026-06-02T12:36:24Z) - Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。
この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
論文 参考訳（メタデータ） (2026-05-27T08:43:13Z) - EgoReasoner: Learning Egocentric 4D Reasoning via Task-Adaptive Structured Thinking [34.29831801830779]
EgoReasonerは、各タスクの認知構造に推論の足場と報酬信号を調整するフレームワークである。
本モデルでは,HD-EPICベンチマークで平均37.5%の精度を達成し,Qwen2.5-VL-7Bを10点以上上回った。
論文 参考訳（メタデータ） (2026-03-06T18:49:04Z) - Thinking with Blueprints: Assisting Vision-Language Models in Spatial Reasoning via Structured Object Representation [52.605647992080485]
空間的推論は視覚的知覚から意味的理解へと視覚言語モデルを前進させる。
物体中心の青写真という認知概念を空間的推論に統合する。
我々の手法は既存の視覚言語モデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-01-05T10:38:26Z) - CrossCheck-Bench: Diagnosing Compositional Failures in Multimodal Conflict Resolution [20.823419395675412]
CrossCheck-Benchは、マルチモーダル入力における矛盾検出を評価するための診断ベンチマークである。
タスクが知覚的マッチングから論理的矛盾検出に移行するにつれて、13の最先端の視覚言語モデルを評価し、一貫した性能低下を観察する。
論文 参考訳（メタデータ） (2025-11-19T12:17:15Z) - SpiralThinker: Latent Reasoning through an Iterative Process with Text-Latent Interleaving [4.732347368043908]
SpiralThinkerは、潜在表現を反復的に更新する統合フレームワークである。
構造化アノテーションと組み合わせたプログレッシブアライメントの目的は、潜在的推論とテキスト推論のコヒーレンスを維持する。
論文 参考訳（メタデータ） (2025-11-12T05:05:42Z) - Explainable Chain-of-Thought Reasoning: An Empirical Analysis on State-Aware Reasoning Dynamics [69.00587226225232]
本研究では,CoTトラジェクトリを構造化潜在力学に抽象化する状態認識遷移フレームワークを提案する。
推論のグローバルな構造を特徴づけるために、それらの進行をマルコフ連鎖としてモデル化する。
この抽象化は、意味的役割の識別、時間的パターンの可視化、一貫性評価など、さまざまな分析をサポートする。
論文 参考訳（メタデータ） (2025-08-29T18:53:31Z) - A Survey on Latent Reasoning [100.54120559169735]
大きな言語モデル(LLM)は印象的な推論機能を示している。
中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。
潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
論文 参考訳（メタデータ） (2025-07-08T17:29:07Z) - Object-Centric Conformance Alignments with Synchronization (Extended Version) [57.76661079749309]
対象中心のペトリネットが一対多の関係を捉える能力と,その同一性に基づいたオブジェクトの比較と同期を行う識別子を持つペトリネットの能力を組み合わせた,新たな形式主義を提案する。
我々は、満足度変調理論(SMT)の符号化に基づく、そのようなネットに対する適合性チェック手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T21:53:32Z)
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。