RobotEQ-Video：世界状態タクソノミーを用いた社会的前向き知能の動画中心ベンチマーク

- 社会 proactive intelligence (SPI) を評価するための video-centric benchmark である RobotEQ-Video を提案。 - SPI は embodied scenarios での社会的適切性を考慮した proactive assistance を指す。 - 従来の image-centric な研究を video-centric に移行し、動画の手がかりを活用。 - 階層的な world-state taxonomy を構築し、6 domains, 20 dimensions, 142 level-1 attributes, 816 level-2 attributes からなる。 - 2K+ の動画、100K+ の human annotations、16K+ の behavior properness ラベルを含む。

- 先行研究は static images に焦点を当てていたが、本手法は dynamic videos を扱う。 - 従来の free-form data collection ではカバレッジが不十分だったが、階層的 taxonomy で多様なシナリオを網羅。 - これにより SPI 研究を静的画像から動画へと進展させ、ベンチマークのシナリオカバレッジを向上。

- video-centric な分析を可能にするため、階層的 world-state taxonomy を構築。 - taxonomy は coarse-to-fine の4レベル構造 (6 domains, 20 dimensions, 142 level-1 attributes, 816 level-2 attributes)。 - これに基づき 2K+ 動画を収集し、100K+ human annotations と 16K+ behavior properness ラベルを付与。 - 評価では現在のシステムの信頼性を検証し、world models の活用可能性も探索。

- 構築した benchmark を用いて評価を実施。 - 現在のシステムは unreliable であり、human performance に及ばないことを示した。 - world models がこのタスクにどのように役立つかを探索。

- 現在のシステムは信頼性が低く、人間のパフォーマンスに達していない。 - world models の活用が有望である可能性を示唆。 - その他の議論や限界については要旨からは不明。

- 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 world models が挙げられている。 - 同分野の定番として social proactive intelligence (SPI) や embodied AI に関する研究が考えられる。