論文の概要: Evaluating Language Models as Spatial Priors for Object-Goal Navigation
- arxiv url: http://arxiv.org/abs/2611.18123v1
- Date: Fri, 13 Nov 2026 12:52:37 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:30:59.724617
- Title: Evaluating Language Models as Spatial Priors for Object-Goal Navigation
- Title(参考訳): オブジェクト指向ナビゲーションにおける空間的優先事項としての言語モデルの評価
- Abstract要約: オープンウェイト LLM である Qwen3.5-27B と Gemma-4-31B-it の 2 つが先行して実現可能であるかを評価する。
モデルが実際のレイアウトと摂動レイアウトに割り当てる可能性、そしてそれらが生成するレイアウトを測定する。
- 参考スコア(独自算出の注目度): 5.194868842260014
- License:
- Abstract: Semantic exploration methods for object-goal navigation use large language models (LLMs) to score how strongly a target object is associated with a room type or with a nearby object. This paper considers obtaining from the LLM a spatial prior instead: a distribution over the position of the target in a room. We evaluate whether two open-weight LLMs, Qwen3.5-27B and Gemma-4-31B-it, can provide such a prior. Using real room layouts from CubiCasa5K and ScanNet, we measure the likelihood the models assign to real and perturbed layouts, and the layouts they generate. The object frequencies and room sizes of the generated rooms follow the room type, but the proximity of the objects to the walls does not follow the differences between room types found in real rooms. The likelihood distinguishes real layouts from perturbed ones partly through their geometry and partly through the agreement between the coordinates and a field that states the wall each object touches; for the movable furniture of ScanNet, it is higher for layouts with all objects piled near the room center than for the real layouts in most rooms. When an object is given in the prompt, the models place a related object relative to it. When the wall of each object is given, they place most objects against that wall, but do not keep all objects inside a given room rectangle. As a prior for object search, the generated placements reduce the searched area relative to a uniform prior, but by less than a third of the reduction obtained with a prior built from real layouts, and by less than two thirds when both priors are spatially smoothed. These results support the use of LLMs for object-room associations and for writing coordinates under constraints determined by another component, followed by a geometric check, but not as a source of placement priors where real layouts are available.
- Abstract(参考訳): 大規模言語モデル(LLM)を用いて,対象物が部屋タイプや周辺物とどの程度強く関連付けられているかを評価する。
本稿では,室内における目標位置の分布について,LLMから得られる空間的事前分布について考察する。
オープンウェイト LLM である Qwen3.5-27B と Gemma-4-31B-it の 2 つが先行して実現可能であるかを評価する。
CubiCasa5KとScanNetの実際の部屋レイアウトを用いて、モデルが実際のレイアウトと摂動レイアウトに割り当てる可能性、そしてそれらが生成するレイアウトを測定する。
生成した部屋の部屋の周波数と部屋の大きさは、部屋のタイプに従っているが、壁への物体の近接は、実際の部屋にある部屋のタイプの違いに従わない。
ScanNetの可動家具は、部屋の中心付近にすべてのオブジェクトを積み重ねたレイアウトの方が、ほとんどの部屋の実際のレイアウトよりも高い。
プロンプトでオブジェクトが与えられると、モデルはそれに関連するオブジェクトを配置する。
それぞれのオブジェクトの壁が与えられると、ほとんどのオブジェクトをその壁に配置するが、すべてのオブジェクトを所定の部屋の長方形内に保持しない。
オブジェクト探索の先行として、生成された配置は、一様の事前に対して探索された面積を減少させるが、実際のレイアウトから構築した事前構築による縮小の3分の1以下、両方の先行を空間的に滑らかにする場合の3分の2以下に減少させる。
これらの結果は、オブジェクト・ルーム・アソシエーションや、他のコンポーネントによって決定された制約の下で座標を記述するためのLLMの使用をサポートするが、実際のレイアウトが利用できる場所の配置先としてではなく、幾何学的なチェックが続く。
関連論文リスト
- Occupancy-Grounded Room Segmentation for Hierarchical 3D Scene Graphs [0.0]
本稿では, 部屋ノードを占有分解から得られる自由空間領域に固定した3DSGパイプラインを提案する。
その結果, 居住地におけるアンカーは, 場所接続構造よりも部屋のインスタンスをかなり多く回収し, 精度の低下を招いた。
論文 参考訳(メタデータ) (2026-06-11T09:36:15Z) - FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。
このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
論文 参考訳(メタデータ) (2025-07-10T11:16:48Z) - Chat-Scene: Bridging 3D Scene and Large Language Models with Object Identifiers [65.51132104404051]
オブジェクトレベルのシーンと対話するために、オブジェクト識別子とオブジェクト中心表現を導入する。
我々のモデルは、ScanRefer、Multi3DRefer、Scan2Cap、ScanQA、SQA3Dなど、既存のベンチマーク手法よりも大幅に優れています。
論文 参考訳(メタデータ) (2023-12-13T14:27:45Z) - SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation
with Fine-Grained Geometry [92.24144643757963]
3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。
高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。
SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。
提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
論文 参考訳(メタデータ) (2023-02-16T15:31:59Z) - SupeRGB-D: Zero-shot Instance Segmentation in Cluttered Indoor
Environments [67.34330257205525]
本研究では,RGB-Dデータからゼロショットのインスタンスセグメンテーション(ZSIS)を探索し,意味的カテゴリに依存しない方法で未知のオブジェクトを識別する。
本稿では,注釈付きオブジェクトを用いて画素のオブジェクト性」を学習し,乱雑な屋内環境における未知のオブジェクトカテゴリに一般化する手法を提案する。
論文 参考訳(メタデータ) (2022-12-22T17:59:48Z) - LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。
提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-29T15:21:34Z) - TIDEE: Tidying Up Novel Rooms using Visuo-Semantic Commonsense Priors [29.255373211228548]
TIDEEは、学習されたコモンセンスオブジェクト配置と部屋配置に基づいて、混乱したシーンをタイディーアップする。
TIDEEは、ホーム環境を探索し、自然の場所から外れたオブジェクトを検出し、それらに対して妥当なオブジェクトコンテキストを推測し、現在のシーンでそのようなコンテキストをローカライズし、オブジェクトを再配置する。
我々は,AI2THORシミュレーション環境における非編成シーンのタイピングについてTIDEEを検証した。
論文 参考訳(メタデータ) (2022-07-21T21:19:18Z) - 3D Object Segmentation for Shelf Bin Picking by Humanoid with Deep
Learning and Occupancy Voxel Grid Map [27.312696750923926]
複数のカメラアングルとボクセルグリッドマップを用いて,対象物を3次元に分割する手法を開発した。
狭い棚箱内の対象物に対するピッキング・タスク実験により,本手法の評価を行った。
論文 参考訳(メタデータ) (2020-01-15T16:20:46Z)
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。