日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

空間推論arXiv:2607.27145

意思決定が重要な用途におけるマルチモーダルLLMの説明可能でリソース効率的な空間推論

Explainable and Resource-Efficient Spatial Reasoning in Multimodal LLMs for Decision-Critical Applications

シェア:XThreadsFacebookLINEはてブBluesky

マルチモーダル大規模言語モデル(MLLM)の空間推論能力を向上させるため、深度情報に加えて物体間の空間関係を明示的な述語としてプロンプトに注入する訓練不要のフレームワークByDeWay-V2を提案した。

詳しい要約

1. どんなもの?

ByDeWay-V2は、Multimodal Large Language Models (MLLMs)の空間推論能力を向上させるためのトレーニング不要のフレームワークである。意思決定が重要なパイプライン(ロボティクス、embodied AI、安全監視など)でのMLLMの信頼性と監査可能性を高めることを目的とし、深度情報に加えて、オブジェクト間の明示的な空間関係(projectiveやtopological)を人間可読な述語としてプロンプトに注入する。これにより、粗い深度レイヤリングでは捉えられない同一平面上のオブジェクト間の空間関係を解決し、下流の意思決定支援のための監査可能な証拠を提供する。

2. 先行研究と比べてどこがすごい?

先行研究のByDeWayはLayered-Depth-Based Prompting (LDP)を導入し、単眼深度推定を用いたプロンプト構造化により幻覚を軽減したが、粗い深度レイヤリングは同一幾何平面内のオブジェクト間の空間関係(例:「left of」「above」「inside」「touching」)を解決するには不十分だった。ByDeWay-V2は、深度手がかりに加えて明示的な空間関係コンテキストを統合し、人間可読な述語として表現することで、3Dシーン深度と2D空間セマンティクスのギャップを埋める。これにより、空間推論の精度と解釈可能性が向上し、トレーニング不要で複数のMLLMに適用可能である点が優れている。

3. 技術・手法の肝は?

手法の核心は、open-vocabulary object detector (YOLO-World-L)を用いて検出されたオブジェクト間のペアワイズ幾何関係を計算し、それらを構造化された空間述語としてMLLMのプロンプトに注入することである。これにより、深度情報と2D空間セマンティクスを橋渡しする。トレーニングは不要で、プロンプトエンジニアリングのみで実現される。また、軽量な構成ではCPU上で厳格な40トークンのコンテキスト予算内で動作し、リソース制約のあるリアルタイム意思決定支援に適する。

4. どうやって有効だと検証した?

Visual Spatial Reasoning (VSR)およびBLINKベンチマークで評価し、複数のMLLMにわたって性能を検証した。幻覚の接地はPOPEで評価した。BLINKの空間サブセットでは、Qwen2.5-VLに対してLDPと比較して相対F1が46%向上した。VSRでは、BLIP-Baseの空間推論をほぼランダムな性能から競争力のあるF1 0.53まで回復させた。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な欠点についての議論は明示されていない。ただし、open-vocabulary detectorの性能に依存する可能性や、述語の表現が複雑な空間関係を完全に捉えられるかどうか、また実世界の動的シーンでの適用性などが考えられるが、要旨には記載がない。

6. 次に読むべき論文は?

要旨で参照されている先行研究はByDeWayであり、そのLayered-Depth-Based Prompting (LDP)手法が関連する。また、評価に使用されたVSR、BLINK、POPEベンチマークに関連する論文が次に読むべき候補である。具体的には、Visual Spatial Reasoning (VSR)データセットを提案した論文、BLINKベンチマークの論文、POPE(hallucination evaluation)の論文が挙げられる。

※ 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: Piyush Jain, Kousik Dasgupta, Rajarshi Roy, Subarna Tripathi

分類: cs.CV

原文アブストラクト

As Multimodal Large Language Models (MLLMs) are increasingly deployed in decision-critical pipelines such as robotics, embodied AI, and safety monitoring, the opacity of their spatial judgments limits operator trust and auditability. MLLMs demonstrate strong reasoning but often struggle with fine-grained spatial understanding and object hallucination. Prior work, ByDeWay, introduced Layered-Depth-Based Prompting (LDP), a training-free framework that mitigates hallucinations by structuring prompts using monocular depth estimation. However, coarse depth layering falls short in resolving object-to-object spatial relationships within the same geometric plane, such as projective ("left of", "above") and topological ("inside", "touching") relations. We propose ByDeWay-V2, which integrates explicit spatial relational context alongside depth cues, expressed as human-readable predicates that serve as auditable evidence for downstream decision support. Using an open-vocabulary object detector (YOLO-World-L), our framework computes pairwise geometric relations between detected objects and injects them as structured spatial predicates into the MLLM prompt, bridging 3D scene depth and 2D spatial semantics without any training. We evaluate ByDeWay-V2 on the Visual Spatial Reasoning (VSR) and BLINK benchmarks across multiple MLLMs, with hallucination grounding assessed via POPE. On the BLINK spatial subset, ByDeWay-V2 achieves a 46 percent relative F1 improvement over LDP for Qwen2.5-VL, and recovers BLIP-Base's spatial reasoning on VSR from near-random performance to a competitive F1 of 0.53. Our lightest configuration operates under a strict 40-token context budget on CPU, showing the framework's suitability for resource-constrained, real-time decision-support settings.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI