街中の画像情報とユーザの指示発話を入力とし，ユーザが意図する画像中の目的地を推定するシステムの実現を目指す．
実環境中での画像認識結果は完全ではなく，ユーザの指示にも曖昧性があるため，一度の指示でユーザが意図する目的地を正確に推定するのは難しい．
本研究では，対話を通じてこの目的地を推定する手法を開発する．
街中の画像107枚を用意し，これらに対する仮の物体検出結果と，設定した目的地を指示するユーザ発話を，入力として用いる．
ユーザの指示する物体が全て検出されるわけではないため，目的地を絞り込む質問は適切に選択する必要がある．
目的地を絞り込むまでのターン数や，設定した目的地との誤差により性能を評価する．