MANSION：面向长时程任务的多层楼语言到 3D 场景生成
计算机视觉与模式识别
2026-03-13 v1 人工智能
机器人学
摘要
现实世界的机器人任务往往是长时程且跨越多个楼层的，要求丰富的空间推理能力。然而，现有具身基准大多局限于单层住宅环境，无法反映真实任务的复杂性。我们提出 MANSION，即面向语言驱动的生成建筑规模、多楼层 3D 环境的框架。 MANSION 能够感知垂直结构约束，生成具有多样性、符合人体工学的真实可导航整栋楼结构，从而支持跨楼层长时程任务的开发与评估。基于该框架，我们发布了 MansionWorld 数据集，包含超过 1000 栋样本建筑（从医院到办公楼不等），并附带一个任务语义场景编辑智能体，可通过开放词汇命令定制这些环境以满足特定需求。基准测试表明，最新方法在此场景下性能急剧下降，确立 MANSION 作为下一代空间推理与规划的关键测试平台。
引用
@article{arxiv.2603.11554,
title = {MANSION: Multi-floor lANguage-to-3D Scene generatIOn for loNg-horizon tasks},
author = {Lirong Che and Shuo Wen and Shan Huang and Chuang Wang and Yuzhe Yang and Gregory Dudek and Xueqian Wang and Jian Su},
journal= {arXiv preprint arXiv:2603.11554},
year = {2026}
}