論文の概要: BiAssemble: Learning Collaborative Affordance for Bimanual Geometric Assembly
- arxiv url: http://arxiv.org/abs/2506.06221v2
- Date: Tue, 10 Jun 2025 16:32:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 12:52:34.285938
- Title: BiAssemble: Learning Collaborative Affordance for Bimanual Geometric Assembly
- Title（参考訳）: BiAssemble: バイオメトリック・アセンブリのための協調作業の学習
- Authors: Yan Shen, Ruihai Wu, Yubin Ke, Xinyuan Song, Zeyi Li, Xiaoqi Li, Hongwei Fan, Haoran Lu, Hao dong,
- Abstract要約: 部品を完全な全体に統合するプロセスである形状組み立ては、幅広い現実世界の応用において重要なロボット技術である。
これにより、ロボットは、様々な断片の把握、組み立て、およびその後の双方向の協調操作のための幾何学的手がかりを認識する必要がある。
本稿では,長軸アクションシーケンスを用いた幾何学的組立において,点レベルの可測性の幾何学的一般化と,両面的な協調を意識した学習能力を利用する。
- 参考スコア（独自算出の注目度）: 7.667456216197558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shape assembly, the process of combining parts into a complete whole, is a crucial robotic skill with broad real-world applications. Among various assembly tasks, geometric assembly--where broken parts are reassembled into their original form (e.g., reconstructing a shattered bowl)--is particularly challenging. This requires the robot to recognize geometric cues for grasping, assembly, and subsequent bimanual collaborative manipulation on varied fragments. In this paper, we exploit the geometric generalization of point-level affordance, learning affordance aware of bimanual collaboration in geometric assembly with long-horizon action sequences. To address the evaluation ambiguity caused by geometry diversity of broken parts, we introduce a real-world benchmark featuring geometric variety and global reproducibility. Extensive experiments demonstrate the superiority of our approach over both previous affordance-based and imitation-based methods. Project page: https://sites.google.com/view/biassembly/.
- Abstract（参考訳）: 部品を完全な全体に統合するプロセスである形状組み立ては、幅広い現実世界の応用において重要なロボット技術である。
様々な組立作業の中で、幾何学的な組立 - 壊れた部品が元の形(例えば、砕けたボウルを再構築する)に再組み立てされる - は特に困難である。
これにより、ロボットは、様々な断片の把握、組み立て、およびその後の双方向の協調操作のための幾何学的手がかりを認識する必要がある。
本稿では,長軸アクションシーケンスを用いた幾何学的組立において,点レベルの可測性の幾何学的一般化と,両面的な協調を意識した学習能力を利用する。
壊れた部分の幾何学的多様性によるあいまいさを解消するために,幾何学的多様性と大域的再現性を備えた実世界のベンチマークを導入する。
大規模な実験は、従来の手当に基づく手法と模倣に基づく手法に比較して、我々のアプローチの優位性を実証している。
プロジェクトページ: https://sites.google.com/view/biassembly/
関連論文リスト
- Detection Based Part-level Articulated Object Reconstruction from Single RGBD Image [52.11275397911693]
本稿では,1枚のRGBD画像から複数の人工関節オブジェクトを再構成する,エンドツーエンドで訓練可能なクロスカテゴリ手法を提案する。
私たちは、あらかじめ定義された部分数で人工的なオブジェクトに焦点をあて、インスタンスレベルの潜在空間を学習することに依存する以前の作業から離れています。
提案手法は, 従来の作業では処理できない様々な構成された複数インスタンスの再構築に成功し, 形状再構成や運動学推定において, 先行の作業よりも優れていた。
論文 参考訳（メタデータ） (2025-04-04T05:08:04Z) - Geometric Point Attention Transformer for 3D Shape Reassembly [17.34739330880715]
本稿では,幾何学的関係に関する推論の課題に対処するネットワークを提案する。
我々は大域的な形状情報と局所的な対幾何学的特徴と、各部分の回転ベクトルや変換ベクトルとして表されるポーズを統合する。
意味的および幾何学的組立作業におけるモデルの評価を行い、絶対的なポーズ推定において従来の手法よりも優れていたことを示す。
論文 参考訳（メタデータ） (2024-11-26T15:29:38Z) - 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。
PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。
我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
論文 参考訳（メタデータ） (2024-07-15T08:50:02Z) - Scalable Geometric Fracture Assembly via Co-creation Space among
Assemblers [24.89380678499307]
我々は,意味情報に頼らずに,幾何学的フラクチャーアセンブリのためのスケーラブルなフレームワークを開発した。
本稿では, フラクチャー・アセンブリ・プロセスにおける衝突問題に対処するために, 新たな損失関数,すなわち幾何に基づく衝突損失を導入する。
私たちのフレームワークは、既存の最先端フレームワークと比較して、PartNetとBreaking Badデータセットの両方でパフォーマンスが向上しています。
論文 参考訳（メタデータ） (2023-12-19T17:13:51Z) - Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳（メタデータ） (2023-11-06T05:52:29Z) - Generalized Few-Shot Point Cloud Segmentation Via Geometric Words [54.32239996417363]
ショットポイントクラウドセグメンテーションアルゴリズムは、ベースクラスのセグメンテーション精度を犠牲にして、新しいクラスに適応するように学習する。
一般化された数ショット点雲のセグメンテーションというより実践的なパラダイムの最初の試みを示す。
基本クラスと新規クラス間で共有される幾何学的要素を表す幾何学的単語を提案し,それらを新しい幾何学的意味表現に組み込む。
論文 参考訳（メタデータ） (2023-09-20T11:24:33Z) - Category-Level Multi-Part Multi-Joint 3D Shape Assembly [36.74814134087434]
グラフ表現学習の2段階からなる階層的なグラフ学習手法を提案する。
部分グラフは、所望の形状構造を構築するための入力として部分ジオメトリを取る。
ジョイントレベルグラフは、部分ジョイント情報を使用し、整合性や整合性に重点を置いている。
論文 参考訳（メタデータ） (2023-03-10T19:02:26Z) - 3D Part Assembly Generation with Instance Encoded Transformer [22.330218525999857]
本稿では,部品間の幾何的および関係的な推論を伴い,部品の更新を反復的に行う多層トランスフォーマーベースのフレームワークを提案する。
フレームワークをプロセス内部分アセンブリと呼ばれる新しいタスクに拡張します。
提案手法は、パブリックなPartNetデータセット上の複数のメトリクスにおいて、現在の最先端よりも10%以上改善されている。
論文 参考訳（メタデータ） (2022-07-05T02:40:57Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-04-27T21:09:51Z) - Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from
a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。
我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。
ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文 参考訳（メタデータ） (2020-04-02T17:58:05Z)
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。