SceneSmith: エージェントによるシミュレーション可能な屋内シーン生成

- 自然言語プロンプトからシミュレーション可能な屋内シーンを生成する階層的エージェントフレームワーク SceneSmith を提案。 - 建築レイアウト、家具配置、小物配置の段階を経て、VLM エージェント（designer, critic, orchestrator）の相互作用で構築。 - 静的物体は text-to-3D 合成、関節物体はデータセット検索、物理特性推定を統合。 - 先行手法より 3-6 倍多くの物体を生成し、物体間衝突 <2%、物理シミュレーション下で 96% の物体が安定。 - 205 名のユーザー研究で平均リアリズム 92%、プロンプト忠実性 91% の勝率。 - 自動ロボットポリシー評価のエンドツーエンドパイプラインに利用可能。

- 既存のシーン合成手法は家具が疎で、密集した clutter、関節家具、物理特性が不足。 - SceneSmith は 3-6 倍多くの物体を生成し、<2% の物体間衝突と 96% の物理安定性を達成。 - ユーザー研究で平均リアリズム 92%、プロンプト忠実性 91% の勝率をベースラインに対して示す。 - シミュレーション準備済み環境を自動生成し、ロボットポリシー評価に直接利用できる点が新しい。

- 階層的エージェントフレームワーク：建築レイアウト→家具配置→小物配置の段階的構築。 - 各段階で VLM エージェント（designer, critic, orchestrator）が相互作用。 - 静的物体は text-to-3D 合成、関節物体はデータセット検索、物理特性推定を統合。 - 自然言語プロンプトからシミュレーション可能なシーンを生成。

- 生成シーンの物体数、物体間衝突率、物理シミュレーション下での安定性を定量評価。 - 205 名参加のユーザー研究でリアリズムとプロンプト忠実性の勝率をベースラインと比較。 - 自動ロボットポリシー評価のエンドツーエンドパイプラインで利用可能なことを実証。

- 要旨からは不明（限界や議論の詳細は記載なし）。 - ただし、生成シーンの多様性や物理的複雑さの向上、ロボットポリシー評価への応用可能性が示唆される。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、text-to-3D synthesis、VLM agents、関節物体のデータセット検索、物理特性推定、ロボットポリシー評価パイプラインが挙げられる。 - 同分野の定番として、シミュレーション環境生成（例：ProcTHOR, AI2-THOR, Habitat）やシーン合成手法が考えられる。