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

• arxiv url: http://arxiv.org/abs/2210.01021v2
• Date: Thu, 03 Oct 2024 23:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-07 15:06:49.343553
• Title: Budget-Aware Sequential Brick Assembly with Efficient Constraint Satisfaction
• Title（参考訳）: 効率的な制約満足度を有する予算対応逐次れんが組立
• Authors: Seokjun Ahn, Jungtaek Kim, Minsu Cho, Jaesik Park,
• Abstract要約: レゴブロックを用いた逐次レンガ組立体の課題に対処し、3D構造を創出する。 特に、使用されるレンガの数が増えるにつれて、組み立て可能な構造物の数は指数関数的に増加する。 本稿では,U字型スパース3次元畳み込みニューラルネットワークを用いて,次のブロック位置のスコアを予測する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 63.672314717599285
• License:
• Abstract: We tackle the problem of sequential brick assembly with LEGO bricks to create combinatorial 3D structures. This problem is challenging since this brick assembly task encompasses the characteristics of combinatorial optimization problems. In particular, the number of assemblable structures increases exponentially as the number of bricks used increases. To solve this problem, we propose a new method to predict the scores of the next brick position by employing a U-shaped sparse 3D convolutional neural network. Along with the 3D convolutional network, a one-initialized brick-sized convolution filter is used to efficiently validate assembly constraints between bricks without training itself. By the nature of this one-initialized convolution filter, we can readily consider several different brick types by benefiting from modern implementation of convolution operations. To generate a novel structure, we devise a sampling strategy to determine the next brick position considering the satisfaction of assembly constraints. Moreover, our method is designed for either budget-free or budget-aware scenario where a budget may confine the number of bricks and their types. We demonstrate that our method successfully generates a variety of brick structures and outperforms existing methods with Bayesian optimization, deep graph generative model, and reinforcement learning.
• Abstract（参考訳）: レゴブロックを用いた逐次レンガ組立体の課題に対処し, 組み合わせ型3D構造を創出する。 このブロック組立タスクは、組合せ最適化問題の特徴を包含するので、この問題は難しい。 特に、使用されるレンガの数が増えるにつれて、組み立て可能な構造物の数は指数関数的に増加する。 そこで本研究では,U字型スパース3次元畳み込みニューラルネットワークを用いて,次のブロック位置のスコアを予測する手法を提案する。 3D畳み込みネットワークとともに、訓練自体なしでレンガ間の組立制約を効率よく評価するために、一初期化レンガサイズの畳み込みフィルタが使用される。 この単一初期化畳み込みフィルタの特性により、畳み込み演算の現代的な実装により、容易にいくつかの異なる種類のレンガを考えることができる。 組立制約の満足度を考慮して次のレンガの位置を決定するためのサンプリング戦略を考案した。 さらに, この手法は, 予算がレンガの数とその種類を制限できるような, 予算のないシナリオか, あるいは予算に配慮したシナリオに設計されている。 提案手法は, ベイズ最適化, ディープグラフ生成モデル, 強化学習により, 種々のレンガ構造の生成に成功し, 既存手法より優れていることを示す。

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)
• Physics-Aware Combinatorial Assembly Planning using Deep Reinforcement Learning [6.919208054874144]
  Combinatorのアセンブリは、標準化されたユニットプリミティブを使用して、ユーザ仕様を満たすオブジェクトを構築する。 本稿では,レゴを用いた物理組立のシーケンス計画について検討する。 特に、計画されたアセンブリシーケンスが物理的に実行可能であることを保証することを目的としている。
  論文  参考訳（メタデータ） (2024-08-19T17:16:35Z)
• 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)

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。