論文の概要: 360CityArena: A Realistic Virtual Urban Navigation Benchmark for Embodied Agents

• arxiv url: http://arxiv.org/abs/2608.08814v1
• Date: Sun, 09 Aug 2026 17:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.959392
• Title: 360CityArena: A Realistic Virtual Urban Navigation Benchmark for Embodied Agents
• Title（参考訳）: 360CityArena: 現実的な仮想都市ナビゲーションベンチマーク
• Abstract要約: 我々は,360度ビデオから構築した光現実的環境下でのエンボディエージェントの都市探査能力を評価するベンチマークである360CityArenaを提案する。 360CityArenaは、東京の秋葉原地区を、85の街路をカバーする602の360度ビデオセグメントを使って、リアルに再現したものだ。
• 参考スコア（独自算出の注目度）: 44.11713684689655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present 360CityArena, a benchmark for evaluating the urban exploration capabilities of embodied agents within a photorealistic environment constructed from 360-degree videos. Existing outdoor benchmarks either lack sufficient photorealism or complexity, resulting in a considerable gap from real-world urban environments. 360CityArena is built on a realistic reconstruction of the Akihabara district in Tokyo, Japan, using 602 360-degree video segments covering 85 streets, and consists of 175 meticulously human-crafted tasks. It encompasses three task categories: Environment Understanding, Path Reasoning, and Spatial Reasoning, covering fundamental abilities required for urban exploration, such as localization, landmark search, path planning, and relational spatial reasoning, thereby enabling comprehensive evaluation in realistic urban scenes. Our evaluation using state-of-the-art LMM-based agents shows that even the strongest model, Gemini 2.5 Flash, performs far below human level (human: 77.3% vs. Gemini 2.5 Flash: 17.1%), revealing substantial challenges that remain in city-scale embodied navigation and reasoning. 360CityArena provides a necessary and challenging testbed for photorealistic urban-district navigation and spatial reasoning.
• Abstract（参考訳）: 我々は,360度ビデオから構築した光現実的環境下でのエンボディエージェントの都市探査能力を評価するベンチマークである360CityArenaを提案する。 既存の屋外ベンチマークには十分なフォトリアリズムや複雑さが欠けており、実際の都市環境とはかなりの差がある。 360CityArenaは、東京の秋葉原地区を、85の街路をカバーする602の360度ビデオセグメントを使って、リアルに再現したものだ。 環境理解、経路推論、空間推論の3つのタスクカテゴリを含み、都市探検に必要な基礎的能力、例えばローカライゼーション、ランドマーク探索、経路計画、関係空間推論をカバーし、現実的な都市シーンにおける総合的な評価を可能にする。 最先端のLMMベースのエージェントを用いた評価では、最強モデルであるGemini 2.5 Flashでさえ(人間:77.3%対Gemini 2.5 Flash:17.1%)、都市規模でのナビゲーションと推論に残る重大な課題を明らかにしている。 360CityArenaは、フォトリアリスティックな都市境界ナビゲーションと空間推論のための、必要で挑戦的なテストベッドを提供する。

関連論文リスト

• UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City [63.28750191463138]
  マルチモーダル大言語モデル(MLLM)はストリートビューを解釈できるが、都市局はエージェントが移動し始めると、そのような局所的な証拠が有用かどうかに依存している。 本研究では,現在のMLLMエージェントが,複雑な都市における都市認識を信頼性のある行動に変換する方法について検討する。 そこで本研究では,香港の3次元地理空間データから構築した物理的に制約されたレプリカで,この問題を検証可能な最初のサンドボックスであるUrbanGroundを提案する。
  論文  参考訳（メタデータ） (2026-08-27T17:59:33Z)
• SemCityLoc: Aerial 6DoF Localization Using Semantic 3D City Models [51.121529170856064]
  本研究では,空中ポーズ推定を再構成する意味幾何学的アライメントシステムSemCityLocを提案する。 粗い輪郭や密集したテクスチャをマッチングする代わりに、本手法は、セマンティックサーフェスとモノクルディープを軽量なセマンティック3Dビルディングモデルと整合させる。 実験は、既存のマップベースのアプローチよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-25T18:13:39Z)
• Earth Embeddings Reveal Diverse Urban Signals from Space [17.134313498337804]
  都市信号予測のために、AlphaEarth、Prithvi、Clayの3つの地球埋め込みファミリーをベンチマークした。 統一的な教師付き学習フレームワークを用いて、犯罪、収入、健康、旅行行動にまたがる14の地区レベルの指標を予測する。 以上の結果から, 地層埋没が都市構造に結びつく結果の予測技術として, かなりの都市変動を捉えていることが示唆された。
  論文  参考訳（メタデータ） (2026-04-03T20:58:37Z)
• LightCity: An Urban Dataset for Outdoor Inverse Rendering and Reconstruction under Multi-illumination Conditions [80.70675855203154]
  都市のシーンにおける逆レンダリングは、自動運転やデジタルツインといった応用にとって重要な要素である。 しかし、マルチイルミネーションや間接光、シャドウ効果などの複雑な照明条件のために大きな課題に直面している。 現実的な間接光と影効果を備えた多様な照明条件を特徴とする,高品質な合成都市データセットLightCityを提案する。
  論文  参考訳（メタデータ） (2026-02-01T09:37:00Z)
• Sat2RealCity: Geometry-Aware and Appearance-Controllable 3D Urban Generation from Satellite Imagery [12.88788681361607]
  Sat2RealCity(サット2RealCity)は、現実世界の衛星画像から3D都市を生成するための幾何学的・外観制御可能なフレームワークである。 空間トポロジからビルディングインスタンスへの解釈可能な幾何学的生成を実現するためのOSMベースの空間先行戦略を導入する。 MLLMを用いた意味誘導型生成パイプラインを構築し,意味解釈と幾何学的再構成を行う。
  論文  参考訳（メタデータ） (2025-11-14T16:42:03Z)
• UrbanVerse: Scaling Urban Simulation by Watching City-Tour Videos [64.22243628420799]
  クラウドソーシングされた都市間ビデオから物理を意識したインタラクティブなシミュレーションシーンに変換する,データ駆動型リアルタイムシミュレーションシステムであるUrbanVerseを紹介した。 アイザックシムで運営されているUrbanVerseは、24か国から160の高品質なシーンを提供している。 実験により、UrbanVerseのシーンは現実世界のセマンティクスとレイアウトを保存し、手作業によるシーンに匹敵する人間評価されたリアリズムを達成することが示されている。
  論文  参考訳（メタデータ） (2025-10-16T17:42:34Z)
• AerialGo: Walking-through City View Generation from Aerial Perspectives [48.53976414257845]
  AerialGoは、空中画像からリアルな街並みを生成するフレームワークである。 AerialGoは、アクセス可能な航空データに地上視合成を条件付けすることで、地上レベルの画像に固有のプライバシーリスクを回避できる。 実験により、AerialGoは地上レベルのリアリズムと構造的コヒーレンスを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-11-29T08:14:07Z)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)

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。