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
- Learning Stackable and Skippable LEGO Bricks for Efficient,
Reconfigurable, and Variable-Resolution Diffusion Modeling [102.90086353867592]
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、トレーニングとサンプリングの両方においてかなりの計算コストがかかる。
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) - Constructive plaquette compilation for the parity architecture [0.4499833362998487]
そこで我々は,小冊子を用いたパリティアーキテクチャのための最初の構成的コンパイルアルゴリズムを提案する。
アルゴリズムは格子の長方形のレイアウトを構築し、矩形の各層に少なくとも1つの制約を加える。
有効な制約セットの選択方法と、この分解の動作方法を示します。
論文 参考訳(メタデータ) (2023-07-20T06:49:05Z) - BrickPal: Augmented Reality-based Assembly Instructions for Brick Models [20.585631669565295]
BrickPalは拡張現実ベースのシステムで、拡張現実のヘッドマウントディスプレイで組み立て指示を視覚化する。
自然言語処理(NLP)技術を用いて、可塑性アセンブリシーケンスを生成し、ARヘッドセットでリアルタイムガイダンスを提供する。
ユーザスタディでは,BrickPalが従来の組立方法と比較して,レンガ組立におけるユーザ支援に有効であることを示す。
論文 参考訳(メタデータ) (2023-07-06T17:42:56Z) - Break and Make: Interactive Structural Understanding Using LEGO Bricks [61.01136603613139]
私たちは、LEGOモデルの組み立て、分解、操作が可能な、完全にインタラクティブな3Dシミュレータを構築しました。
シーケンス・ツー・シーケンス・モデルを用いてこの問題を解決するための第一歩を踏み出す。
論文 参考訳(メタデータ) (2022-07-27T18:33:09Z) - 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) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z) - 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)
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。