日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

身体性質問応答arXiv:2602.15813

FAST-EQA: グローバル・ローカル領域関連性を活用した効率的な身体性質問応答

FAST-EQA: Efficient Embodied Question Answering with Global and Local Region Relevancy

シェア:XThreadsFacebookLINEはてブBluesky

質問に関連する領域を特定して探索を効率化し、視覚メモリ上のChain-of-Thought推論で高速に回答する身体性質問応答フレームワークを提案。

詳しい要約

1. どんなもの?

- FAST-EQAは、Embodied Question Answering (EQA) のための質問条件付きフレームワーク。 - 視覚的ターゲットの特定、関心領域のスコアリングによるナビゲーション誘導、Chain-of-Thought (CoT) 推論による回答を行う。 - 単一および複数ターゲットの質問に対応し、限られたメモリでオンライン更新する。 - 狭い開口部やドアを高価値フロンティアとして扱うグローバル探索ポリシーを備える。 - HMEQAとEXPRESS-Benchで最先端性能を達成し、OpenEQAとMT-HM3Dでも競争力がある。

2. 先行研究と比べてどこがすごい?

- 先行研究と比べて、推論時間が大幅に高速である。 - 質問に関連する部分空間に物理的探索を限定し、コンパクトで実用的なメモリを維持する。 - 単一および複数ターゲットの質問に対して、メモリが無限に増大しない。 - グローバル探索ポリシーにより、狭い開口部やドアを高価値フロンティアとして効率的にカバレッジを拡大する。 - 最先端性能をHMEQAとEXPRESS-Benchで達成し、OpenEQAとMT-HM3Dでも競争力がある。

3. 技術・手法の肝は?

- 質問条件付きで視覚的ターゲットを特定する。 - グローバルな関心領域をスコアリングしてナビゲーションを誘導する。 - 視覚メモリ上でChain-of-Thought (CoT) 推論を行い、自信を持って回答する。 - 固定容量の領域-ターゲット仮説を保存し、オンラインで更新する有界シーンメモリを維持する。 - グローバル探索ポリシーが狭い開口部やドアを高価値フロンティアとして扱い、最小限の計算でローカルターゲット探索を補完する。

4. どうやって有効だと検証した?

- HMEQAとEXPRESS-Benchで最先端性能を達成した。 - OpenEQAとMT-HM3Dで競争力のある性能を示した。 - 推論時間が先行手法より大幅に高速であることを示した。 - 単一および複数ターゲットの質問に対して有効性を検証した。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- HMEQA, EXPRESS-Bench, OpenEQA, MT-HM3Dに関連する研究。 - Embodied Question Answering (EQA) の分野の定番手法。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haochen Zhang, Nirav Savaliya, Faizan Siddiqui, Enna Sachdeva

分類: cs.RO

原文アブストラクト

Embodied Question Answering (EQA) combines visual scene understanding, goal-directed exploration, spatial and temporal reasoning under partial observability. A central challenge is to confine physical search to question-relevant subspaces while maintaining a compact, actionable memory of observations. Furthermore, for real-world deployment, fast inference time during exploration is crucial. We introduce FAST-EQA, a question-conditioned framework that (i) identifies likely visual targets, (ii) scores global regions of interest to guide navigation, and (iii) employs Chain-of-Thought (CoT) reasoning over visual memory to answer confidently. FAST-EQA maintains a bounded scene memory that stores a fixed-capacity set of region-target hypotheses and updates them online, enabling robust handling of both single and multi-target questions without unbounded growth. To expand coverage efficiently, a global exploration policy treats narrow openings and doors as high-value frontiers, complementing local target seeking with minimal computation. Together, these components focus the agent's attention, improve scene coverage, and improve answer reliability while running substantially faster than prior approaches. On HMEQA and EXPRESS-Bench, FAST-EQA achieves state-of-the-art performance, while performing competitively on OpenEQA and MT-HM3D.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI