論文の概要: Sequential Brick Assembly with Efficient Constraint Satisfaction

• arxiv url: http://arxiv.org/abs/2210.01021v1
• Date: Mon, 3 Oct 2022 15:35:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 16:36:00.565928
• Title: Sequential Brick Assembly with Efficient Constraint Satisfaction
• Title（参考訳）: 効率的な制約満足度を有する逐次れんが組み立て
• Authors: Seokjun Ahn, Jungtaek Kim, Minsu Cho, Jaesik Park
• Abstract要約: 本研究では,高忠実度構造を有するLEGOブロック組立体の系列を生成する問題に対処する。 提案手法は,U字型スパース3次元畳み込みネットワークを用いて,次のブロック位置とその信頼性を予測するためのレンガ構造評価を行う。 私たちのモデルは、手作りのレンガ組立データセットを使う代わりに、新しい高忠実度構造を作成できるように、多数の3Dオブジェクトで訓練されています。
• 参考スコア（独自算出の注目度）: 39.869693447362145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of generating a sequence of LEGO brick assembly with high-fidelity structures, satisfying physical constraints between bricks. The assembly problem is challenging since the number of possible structures increases exponentially with the number of available bricks, complicating the physical constraints to satisfy across bricks. To tackle this problem, our method performs a brick structure assessment to predict the next brick position and its confidence by employing a U-shaped sparse 3D convolutional network. The convolution filter efficiently validates physical constraints in a parallelizable and scalable manner, allowing to process of different brick types. To generate a novel structure, we devise a sampling strategy to determine the next brick position by considering attachable positions under physical constraints. Instead of using handcrafted brick assembly datasets, our model is trained with a large number of 3D objects that allow to create a new high-fidelity structure. We demonstrate that our method successfully generates diverse brick structures while handling two different brick types and outperforms existing methods based on Bayesian optimization, graph generative model, and reinforcement learning, all of which are limited to a single brick type.
• Abstract（参考訳）: ブロック間の物理的制約を満たす高忠実度構造を持つレゴブロック組立体を生成する問題に対処する。 組立問題は、利用可能なレンガの数と指数関数的に増加し、レンガ全体の物理的制約が複雑になるため、困難である。 この問題に対処するため,本手法では,U字型スパース3D畳み込みネットワークを用いて,次のブロック位置とその信頼性を予測するために,レンガ構造評価を行う。 畳み込みフィルタは、並列化可能でスケーラブルな物理的制約を効率よく検証し、異なるブロックタイプの処理を可能にする。 新たな構造を生成するために,物理制約下での取付可能な位置を考慮し,次のれんが位置を決定するためのサンプリング戦略を考案する。 我々のモデルは手作りのレンガ組立データセットを使う代わりに、新しい高忠実度構造を作ることができる多数の3Dオブジェクトで訓練されている。 提案手法は,2つの異なるブリックタイプを処理しながら多様なブリック構造を生成し,ベイズ最適化,グラフ生成モデル,強化学習に基づく既存手法よりも優れており,いずれも1つのブリックタイプに制限されている。

関連論文リスト

• MILP-StuDio: MILP Instance Generation via Block Structure Decomposition [55.79888361191114]
  Mixed-integer linear programming (MILP) は、多くの応用において最も一般的な数学的定式化の1つである。 我々は,ブロック構造を保存して高品質なインスタンスを生成するために,ブロック構造分解(MILP-StuDio)と呼ばれる新しいMILP生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-30T08:33:27Z)
• TreeSBA: Tree-Transformer for Self-Supervised Sequential Brick Assembly [51.29305265324916]
  入力された多視点画像から連続的な組立動作を予測するために,クラスに依存しないツリー・トランスフォーマフレームワークを提案する。 逐次レンガ組立作業の大きな課題は、ステップワイドアクションラベルが実際に入手するのに費用がかかり、面倒であることである。 我々は、合成から現実への移行学習を活用することにより、この問題を緩和する。
  論文  参考訳（メタデータ） (2024-07-22T14:05:27Z)
• Learning Stackable and Skippable LEGO Bricks for Efficient, Reconfigurable, and Variable-Resolution Diffusion Modeling [98.65190562585461]
  拡散モデルはフォトリアリスティックな画像を生成するのに優れるが、計算コストは非常に高い。 現在のオプションであるU-NetやVision Transformerはリソース集約型のディープネットワークに依存していることが多い。 本研究は,ローカル・フィーチャー・エンリッチメントとグローバル・コンテント・オーケストレーションをシームレスに統合したLEGOブロックを紹介した。
  論文  参考訳（メタデータ） (2023-10-10T07:52:30Z)
• Brick-by-Brick: Combinatorial Construction with Deep Reinforcement Learning [52.85981207514049]
  我々は,ユニットプリミティブを逐次組み立てるビルディングエージェントを必要とする,新しい定式化,複雑な構成を導入する。 対象物を構築するために,エージェントに対して正確な情報や明示的な情報ではなく,所望の目標(すなわち2次元画像)に関する不完全な知識を提供する。 提案手法は,対象オブジェクトの1つの画像や複数ビューに条件付けされた未確認オブジェクトの構築に成功していることを示す。
  論文  参考訳（メタデータ） (2021-10-29T01:09:51Z)
• Spatial Assembly: Generative Architecture With Reinforcement Learning, Self Play and Tree Search [1.2691047660244335]
  空間集合体生成における強化学習の活用について検討する。 設計者が設定した目的を最大化するアセンブリを生成するポリシーを学ぶために,強化学習と自己再生を用いたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-19T11:57:10Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Combinatorial 3D Shape Generation via Sequential Assembly [40.2815083025929]
  幾何学的プリミティブによる連続的な組み立ては、ロボット工学や3D視覚において注目を集めている。 本稿では,この結果が実現可能な膨大な組み合わせによって引き起こされることを緩和する3次元形状生成フレームワークを提案する。 実験により,本手法は3次元形状の生成に成功し,より現実的な生成過程をシミュレートすることを示した。
  論文  参考訳（メタデータ） (2020-04-16T01:23:14Z)
• Automatic Generation of Algorithms for Black-Box Robust Optimisation Problems [0.0]
  モデル実行回数に制限がある頑健なブラックボックス最適化問題に対処できるアルゴリズムを開発する。 我々は、Grammar-Guided Genetic Programmingというアルゴリズムの自動生成手法を採用している。 アルゴリズム構築ブロックは既存の手法と新機能の要素を組み合わせることで,新しい解空間を探索する。
  論文  参考訳（メタデータ） (2020-04-15T18:51:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。