論文の概要: BEHAVIOR-Spatial Benchmark: Evaluating Spatial Understanding for Robotics

• arxiv url: http://arxiv.org/abs/2610.34051v2
• Date: Wed, 28 Oct 2026 02:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.49338
• Title: BEHAVIOR-Spatial Benchmark: Evaluating Spatial Understanding for Robotics
• Title（参考訳）: Behavior-Spatial Benchmark:ロボットの空間的理解の評価
• Abstract要約: 本稿では, BEHAVIOR-1K上に構築されたベンチマークであるBEHAVIOR-Spatialについて述べる。 49のアクティビティに3256の空間的質問、14の操作タスクに1240のグラウンドクエリ、14のタスクと10のナビゲーションタスクをカバーするアクション評価が含まれている。
• 参考スコア（独自算出の注目度）: 43.13857838598931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot tasks require grounding spatial language in physical scenes, but task success alone cannot establish whether spatial instructions are followed. We present BEHAVIOR-Spatial, a benchmark built on BEHAVIOR-1K that measures spatial question answering, point-based target grounding, and robot action to examine how VLM spatial understanding relates to VLA behavior. It comprises 3,256 spatial questions across 49 activities, 1,240 grounding queries across 14 manipulation tasks, and action evaluations covering those 14 tasks and 10 navigation tasks. Our manipulation protocol evaluates held-out configurations and instruction following when the requested target changes within a fixed training layout. The baseline achieves 41.6% on held-out configurations but only 16.1% under changed instructions. VLM adaptation and robot-data pretraining provide limited improvements, whereas oracle visual target cues raise these rates to 60.3% and 38.0%, respectively. Perception evaluations reveal policy-dependent correlations between VLM question-answering and grounding accuracy and VLA manipulation performance. Together, these findings motivate evaluating spatial instruction following alongside task completion and examining when spatial perception performance translates into robot behavior. Project website: https://arielchen07.github.io/behavior-spatial/.
• Abstract（参考訳）: ロボットタスクは、物理的な場面で空間言語を接地する必要があるが、タスクの成功だけでは、空間的指示に従うかどうかを確定することはできない。 本稿では, BEHAVIOR-1K上に構築されたベンチマークであるBEHAVIOR-Spatialについて述べる。 49のアクティビティに3256の空間的質問、14の操作タスクに1240のグラウンドクエリ、14のタスクと10のナビゲーションタスクをカバーするアクション評価が含まれている。 操作プロトコルは、所定のトレーニングレイアウト内で要求された目標が変更された場合のホールドアウト構成と命令を評価します。 ベースラインは41.6%の保留構成で達成されるが、16.1%しか変更されていない。 VLM適応とロボットデータ事前訓練は限定的な改善をもたらすが、オラクル視覚目標キューはこれらをそれぞれ60.3%と38.0%に引き上げる。 VLM質問応答と接地精度とVLA操作性能との間には,政策依存の相関関係が認められた。 これらの知見は,タスク完了に伴う空間的指示の評価と,空間的知覚性能がロボット行動に変換されるかどうかの検証を同時に動機付けている。 プロジェクトサイト:https://arielchen07.github.io/behavior-spatial/。

関連論文リスト

• From VLM Planners to Robotic Agents: Self-Evolving Harnesses for History-Dependent Manipulation [90.66992093913662]
  長距離タスクはマルコフに依存しない。 低レベルの実行から高レベルの計画を切り離す階層アーキテクチャを導入します。 本稿では,SERA(Self-Evolving Robotic Agent)として,VLAエグゼキュータを固定した手法を提案する。
  論文  参考訳（メタデータ） (2026-10-21T10:49:49Z)
• Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution [90.448613284096]
  ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。 我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。 Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
  論文  参考訳（メタデータ） (2026-10-14T03:15:23Z)
• RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations [45.16816691251336]
  RAP-WAMは、パーターブとアクション摂動(RAP)と将来の生成とクエリを組み合わせた、ポリシー学習のための結合されたアクション投影(Coupled Action Projection)である。 予測的リハーサルは、記録された目標を保持しながらモデル生成入力を訓練し、繰り返し発生するエラーを空間的事前に蓄積する。 個別のスコアリングネットワークやデプロイメントタイムプローブは不要である。
  論文  参考訳（メタデータ） (2026-10-12T09:09:21Z)
• Spa-Bench: A Real-Robot Benchmark for Spatial Grounding in Vision-Language-Action Models [12.056788298994904]
  Spa-Benchは6つのタスクにわたる空間的接地を評価する実ロボットベンチマークである。 我々はSO-101ロボットアームで収集された4,092エピソードを公表した。
  論文  参考訳（メタデータ） (2026-10-08T20:22:35Z)
• Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena [52.33857619195848]
  本研究では,空洞型エージェントArenaを導入し,幾何学,空間推論,アフォーダンス,タスクプランニング,マニピュレーションにまたがる7つのVLMエージェントを評価する。 精度推定におけるアストラの強みと使用可能な接触局所化は、トレースにおける終端誤差と低い家庭用タスク完了において共存する。
  論文  参考訳（メタデータ） (2026-10-01T00:14:50Z)
• InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy [138.89177083578213]
  空間接地とロボット制御のための統合フレームワークであるInternVLA-M1を紹介する。 InternVLA-M1は、(i)2.3M以上の空間的推論データに基づく空間的グラウンドトレーニングと(ii)空間的に誘導された後トレーニングという、2段階のパイプラインを使用する。 結果: InternVLA-M1 は SimplerEnv Google Robot で+14.6%、WidowX で+17%、LIBERO Franka で+4.3% で、空間誘導なしでその変種を上回った。
  論文  参考訳（メタデータ） (2025-10-15T17:30:05Z)
• SURDS: Benchmarking Spatial Understanding and Reasoning in Driving Scenarios with Vision Language Models [15.50826328938879]
  視覚言語モデル(VLM)の空間的推論能力を評価するためのベンチマークであるSURDSを紹介する。 nuScenesデータセットに基づいて構築されたSURDSは、41,080の視覚要求回答トレーニングインスタンスと9,250の評価サンプルで構成されている。 本研究では,空間的に接地された報酬信号を利用した強化学習に基づくアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T08:14:01Z)
• Localizing Active Objects from Egocentric Vision with Symbolic World Knowledge [62.981429762309226]
  タスクの指示をエゴセントリックな視点から積極的に下す能力は、AIエージェントがタスクを達成したり、人間をバーチャルに支援する上で不可欠である。 本稿では,現在進行中のオブジェクトの役割を学習し,指示から正確に抽出することで,アクティブなオブジェクトをローカライズするフレーズグラウンドモデルの性能を向上させることを提案する。 Ego4DおよびEpic-Kitchensデータセットに関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-10-23T16:14:05Z)

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。