ナバラージ・スベディ (Nabaraj Subedi) 氏ら4名の研究者グループは2026年8月26日(現地時間)、土木標準計画の質疑応答とコンプライアンスチェックを自動化するための視覚優先マルチモーダルRetrieval-Augmented Generation (RAG) フレームワーク「PlanSightRAG」を発表した。このフレームワークは、従来の光学文字認識 (OCR) ベースの自動化で失われがちだった計画図面の幾何学的情報とレイアウトを直接解析する。
研究グループが発表したPlanSightRAGは、計画図面の画像を直接インデックス化し、推論を行う。ColNomic-3Bマルチベクトル検索、Agentic Planner-Retriever-Auditor-Synthesizer、そして証拠の追跡を可能にするMaxSim heatmapsを統合している。
土木インフラのコンプライアンスチェックはこれまで、技術者が既存の2D計画図面を手作業で読み解くことに依存していた。しかし、OCRベースの自動化では、これらの計画図面を解釈する上で不可欠な幾何学的情報とレイアウトが失われるという課題があった。
PlanSightRAGの性能評価のため、5つの州の運輸省 (DOT) 標準計画 (1,898ページ) から抽出した4,056ペアのベンチマークが導入された。PlanSightRAGは、ゼロショット検索において91.47%のRecall@5を達成し、独立したミシガン州運輸省 (Michigan DOT) のコーパスでも91.40%を記録した。
合成的にパラメトリック生成されたコンプライアンス図面に対するQwen2.5-VL-72Bパイプラインのテストでは、事前に解決されたルール閾値が提供された場合にのみ100%の評決精度に達した。これは、非VLM OCRベースラインが76.4%に達する制御された上限である。さらに、人間がルールを供給することなく、仕様コーパスから数値制限を直接抽出することで、自律的な視覚的ルールグラウンディングを実証した。
この研究は、ナバラージ・スベディ氏、シュヴォ・ディップ・ダッタ (Shuvo Dip Datta) 氏、アハメド・アブデラティ (Ahmed Abdelaty) 氏、シヴァナンド・ヴェンカンナ・シェシャパナヴァル (Shivanand Venkanna Sheshappanavar) 氏によって行われた。
参考: arXiv cs.IR — 2026年8月27日 02:54 (JST)
原文ハイライト"We present a Visual-First Multimodal Retrieval-Augmented Generation (RAG) framework called PlanSightRAG."