摘要
本文针对 3D 高斯场景中的供能性推理问题，指出现有静态单次预测方法在复杂环境中因证据不足而失效的局限。作者将细粒度供能性推理重构为序列证据获取过程，提出 A3R 框架。该框架使基于多模态大语言的策略能够迭代选择证据获取动作，并通过融合 3D 几何与 2D 语义的跨维度证据更新推理信念。此外，引入基于 GRPO 的策略学习算法以优化决策效率与准确性。实验表明，该方法在场景级基准测试中显著优于静态基线。
AI 推荐理由
论文核心提出基于智能体的供能性推理框架，通过多步证据获取解决复杂场景下的推理模糊性问题。
研究机构
西安交通大学
Sun Yat-sen University
Qinghai Normal University
Xidian University
论文信息