論文の概要: PlanSightRAG: A Visual-First Multimodal RAG for Automating Question Answering and Compliance Checking for Civil Standard Plans
- arxiv url: http://arxiv.org/abs/2608.26091v1
- Date: Wed, 26 Aug 2026 17:54:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:16.014841
- Title: PlanSightRAG: A Visual-First Multimodal RAG for Automating Question Answering and Compliance Checking for Civil Standard Plans
- Title（参考訳）: PlanSightRAG:民事標準計画に対する質問回答とコンプライアンスチェックを自動化するビジュアルファーストマルチモーダルRAG
- Abstract要約: 我々はPlanSightRAGと呼ばれるビジュアルファーストなマルチモーダル検索型生成フレームワークを提案する。
プランイメージを直接インデクシングし、ColNomic-3Bマルチベクター検索とMaxSimヒートマップをエビデンストレイルとして統合する。
PlanSightRAGは91.47%のリコール@5をゼロショット検索で達成し、ミシガン州のDOTコーパスでは91.40%を達成した。
- 参考スコア（独自算出の注目度）: 2.680107267757396
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Civil infrastructure compliance checking has long relied on engineers manually reading legacy 2D plans; however, OCR-based automation strips away the geometry and layout essential for interpreting these plans. We present a Visual-First Multimodal Retrieval-Augmented Generation (RAG) framework called PlanSightRAG. It indexes and reasons directly over plan imagery, integrates a ColNomic-3B multi-vector retrieval, an agentic Planner-Retriever-Auditor-Synthesizer, and MaxSim heatmaps as an evidence trail. We introduce a 4,056-pair benchmark from five state Departments of Transportation (DOT) standard plans (1,898 pages). PlanSightRAG achieves 91.47% Recall@5 on zero-shot retrieval, while on a held-out Michigan DOT corpus, it achieves 91.40%. On synthetic, parametrically-generated compliance drawings, our Qwen2.5-VL-72B pipeline reaches 100% verdict accuracy only when supplied a pre-resolved rule threshold, a controlled ceiling that a non-VLM OCR baseline already reaches at 76.4%. Finally, we demonstrate autonomous visual rule-grounding by extracting numeric limits directly from a specification corpus without any human-supplied rules.
- Abstract（参考訳）: 土木インフラのコンプライアンスチェックは、長年、旧来の2Dプランを手作業で読むエンジニアに依存してきたが、OCRベースの自動化は、これらの計画を理解するのに必要な幾何学とレイアウトを取り除いている。
我々はPlanSightRAG(PlanSightRAG)と呼ばれるビジュアルファーストなマルチモーダル検索型生成(RAG)フレームワークを提案する。
ColNomic-3Bマルチベクター検索、エージェントPlanner-Retriever-Auditor-Synthesizer、MaxSimヒートマップをエビデンス・トレイルとして統合する。
我々は5つの州運輸省(DOT)標準計画(1,898ページ)から4,056ページのベンチマークを導入する。
PlanSightRAGは91.47%のリコール@5をゼロショット検索で達成し、ミシガン州のDOTコーパスでは91.40%を達成した。
我々のQwen2.5-VL-72Bパイプラインは、合成されたパラメトリックなコンプライアンス図面において、あらかじめ解決されたルールしきい値(VLM OCRベースラインが76.4%に達する制御天井)を供給した場合にのみ、100%の検証精度に達する。
最後に,人為的なルールを伴わない仕様コーパスから直接,数値制限を抽出することにより,自律的な視覚的ルールグラウンドを実証する。
関連論文リスト
- LePlanner: An Iterative Amortized Controller For World Models [0.0]
本研究では,凍結したワールドモデル予測器を用いて遅延動作シーケンスの構築と洗練を学習する,償却反復制御器LePlannerを提案する。
LePlannerは、最初期の地平線で目標に達するようコントローラに促し、そこに留まるよう、到着と保持の目的で訓練されている。
成功率はPushTが98%、Reacherが100%、TwoRoomsが100%、OGBench Cubeが92%である。
論文 参考訳（メタデータ） (2026-09-12T10:01:21Z) - Pointing-VLA: Typed Spatial Grounding Interfaces for Vision-Language-Action Manipulation [5.156481604986546]
本稿では,Embodied-R1上に構築された隠れ状態空間読み出し型Pointing-VLAを提案する。
Pointing-VLA は Bridge/WidowX 上で SOTA のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-08-24T11:43:49Z) - Strategic Evaluation of Planning Strategies for LLM Agents in Cyber-Physical Systems [0.0]
計画誘導制御トラジェクトリを中心に構築されたベンチマークを導入する。
スマートグリッドの需要応答システムにシーケンシャルで階層的で検索エグゼクティブを実装している。
強制探索は5つの基本種子のオラクルであることを示す。
論文 参考訳（メタデータ） (2026-08-04T22:52:21Z) - Gaze-DETR: Top-Down Guidance Through Priority Maps for Infrared Weak-Small UAV Detection with DETR [60.12701295852494]
局所化前に内部優先度マップを学習する検出器であるGaze-DETRを提案する。
プライオリティヘッドは画像特徴から正規化優先度マップを予測し、RPFMは高プライオリティ応答を強化し、PAQIは高プライオリティ位置をデコーダアンカークエリに変換する。
その結果,空間優先学習は,境界ボックスの監督を補完する事前局所化指導を提供することがわかった。
論文 参考訳（メタデータ） (2026-07-21T12:29:58Z) - DRIFT: Drift and Aggregation for Motion Planning [20.309189828710362]
DRIFTは1ステップのドリフトをコンパクトな軌跡空間内でのドリフトとシーン認識型提案アグリゲーションを組み合わせた固定深度軌道プランナーである。
軽量アグリゲーションヘッドはこれらの特徴をシーン、ナビゲーション、エゴステート情報と統合し、最終軌道を直接予測する。
その出力は、専門家軌道の模倣と、乾燥可能なポリゴンの外側のウェイポイントをペナライズする地図由来境界正規化器で訓練されている。
論文 参考訳（メタデータ） (2026-07-16T02:43:13Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - EngiAI: A Multi-Agent Framework and Benchmark Suite for LLM-Driven Engineering Design [0.4499833362998488]
3つの評価次元を持つベンチマークスイートを導入する。
本稿では,LangGraph上に構築されたマルチエージェントシステム(MAS)の実装であるEngiAIを紹介する。
論文 参考訳（メタデータ） (2026-05-19T12:12:09Z) - SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
無線対応経路計画フレームワークであるSCoTTを提案する。
SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。
また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
論文 参考訳（メタデータ） (2024-11-27T10:45:49Z) - Toward General Instruction-Following Alignment for Retrieval-Augmented Generation [63.611024451010316]
Retrieval-Augmented Generation (RAG) システムの効果的な適用には、自然な指示に従うことが不可欠である。
RAGシステムにおける命令追従アライメントのための,最初の自動化,拡張性,検証可能な合成パイプラインであるVIF-RAGを提案する。
論文 参考訳（メタデータ） (2024-10-12T16:30:51Z)
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。