日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/空間推論arXiv:2609.06880

文脈的観察者接地:視覚言語モデルにおける状況的空間推論の評価

Contextual Observer Grounding: Evaluating Situated Spatial Reasoning in Vision-Language Models

シェア:XThreadsFacebookLINEはてブBluesky

ロボットなどの身体化タスクで、話者の視点に基づく空間関係の理解を評価するベンチマークPOVBenchを構築し、最新の視覚言語モデルが文脈から観察者の視点を推論して対象を特定できるかを検証した。

詳しい要約

1. どんなもの?

本論文は、Vision-Language Models (VLMs) が、話者の状況に応じた視点(situated perspective)から空間関係を推論する能力、すなわち「contextual observer grounding」を評価するためのベンチマークを提案する。具体的には、3Dシーンと自然言語の指示から、明示されていない対象を特定するタスクを通じて、VLMsの空間推論能力を検証する。

2. 先行研究と比べてどこがすごい?

従来の空間推論ベンチマークは、視点が固定されていたり、明示的に与えられたりすることが多く、文脈から話者の視点を推測する能力を評価していなかった。本研究は、Inferred, Stated, Given の3つの形式でobserver groundingを切り分け、文脈に基づく視点推論を評価する点が新しい。

3. 技術・手法の肝は?

POVBench(Point-of-View Benchmark)を構築し、3Dシーンと自然言語のクエリを用意。クエリは、話者の視点が推測される(Inferred)、明示される(Stated)、与えられる(Given)の3条件に分類される。モデルは、マルチビュー観測と言語文から、未観測または不完全に指定された対象を定位する。

4. どうやって有効だと検証した?

複数の最先端VLM(state-of-the-art VLMs)を評価し、方向言語からの対象定位が、observer groundingが明示的であっても困難であることを示した。さらに、observer-relativeな空間推論を明示的に分解することで、対象定位の精度が向上することを確認した。

5. 議論はある?

要旨からは、VLMsが文脈に基づく視点推論に依然として課題があることが示唆される。また、明示的な分解が有効であることから、モデルの内部表現や推論プロセスに関する議論が考えられるが、詳細は不明。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、同分野の定番として、3Dシーン理解やembodied AIのための空間推論ベンチマーク(例:ScanQA, ReferIt3D)や、VLMsの空間推論能力を評価した研究(例:VQA tasks)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: Mimo Shirasaka, Haochen Zhang, Yonatan Bisk

分類: cs.CV, cs.CL, cs.LG, cs.RO

原文アブストラクト

Reasoning over language instructions in embodied tasks such as robotics often requires understanding spatial relations from a speaker's situated perspective. Humans infer such perspectives from shared environmental knowledge, activity context, and commonsense. Recent vision-language models (VLMs) appear capable of spatial reasoning, but their ability to infer a speaker's viewpoint from contextual cues and interpret situated spatial relations from that viewpoint remains unclear. We call this capability contextual observer grounding. To study this capability, we construct the Point-of-View Benchmark (POVBench), a dataset of 3D scenes and queries that disentangles Inferred, Stated, and Given forms of observer grounding in natural embodied communication. Given multi-view observations and a natural-language sentence, models must localize unseen or underspecified targets from situated spatial and contextual cues. Across state-of-the-art VLMs, localizing targets from directional language remains challenging, even when observer grounding is made explicit. We find that explicit breakdowns of observer-relative spatial reasoning improve target localization. Our project page is available at https://mimo-owl.github.io/POVBench/.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI