論文の概要: PhysQuantAgent: An Inference Pipeline of Mass Estimation for Vision-Language Models

• arxiv url: http://arxiv.org/abs/2603.16958v1
• Date: Tue, 17 Mar 2026 02:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.300521
• Title: PhysQuantAgent: An Inference Pipeline of Mass Estimation for Vision-Language Models
• Title（参考訳）: PhysQuantAgent:視覚言語モデルのための質量推定の推論パイプライン
• Abstract要約: 視覚言語モデル(VLM)を用いた実世界の物体質量推定フレームワークPhysQuantAgentを提案する。 本稿では,対象物のサイズや内部構造を理解するために,対象物の検出,スケール推定,断面画像生成によって入力画像を強化する3つの視覚的プロンプト手法を提案する。 実験の結果,視覚的プロンプトにより実世界のデータに対する質量推定精度が大幅に向上し,空間推論とVLM知識の統合の有効性が示唆された。
• 参考スコア（独自算出の注目度）: 38.21000830724267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language Models (VLMs) are increasingly applied to robotic perception and manipulation, yet their ability to infer physical properties required for manipulation remains limited. In particular, estimating the mass of real-world objects is essential for determining appropriate grasp force and ensuring safe interaction. However, current VLMs lack reliable mass reasoning capabilities, and most existing benchmarks do not explicitly evaluate physical quantity estimation under realistic sensing conditions. In this work, we propose PhysQuantAgent, a framework for real-world object mass estimation using VLMs, together with VisPhysQuant, a new benchmark dataset for evaluation. VisPhysQuant consists of RGB-D videos of real objects captured from multiple viewpoints, annotated with precise mass measurements. To improve estimation accuracy, we introduce three visual prompting methods that enhance the input image with object detection, scale estimation, and cross-sectional image generation to help the model comprehend the size and internal structure of the target object. Experiments show that visual prompting significantly improves mass estimation accuracy on real-world data, suggesting the efficacy of integrating spatial reasoning with VLM knowledge for physical inference.
• Abstract（参考訳）: 視覚言語モデル(VLM)はロボットの知覚と操作にますます応用されているが、操作に必要な物理的特性を推測する能力は限られている。 特に、現実世界の物体の質量を推定することは、適切な把握力を決定し、安全な相互作用を確保するために不可欠である。 しかしながら、現在のVLMには信頼性の高い質量推論能力がなく、既存のベンチマークでは現実的な感知条件下での物理量推定を明示的に評価していない。 本稿では,VLMを用いた実世界のオブジェクト質量推定フレームワークであるPhysQuantAgentと,評価のための新しいベンチマークデータセットであるVisPhysQuantを提案する。 VisPhysQuantは、複数の視点から捉えた実物のRGB-Dビデオで構成され、正確な質量測定で注釈付けされている。 推定精度を向上させるために,オブジェクト検出,スケール推定,断面画像生成によって入力画像を強化する3つの視覚的プロンプト手法を導入し,モデルが対象オブジェクトのサイズと内部構造を理解するのを支援する。 実験の結果,視覚的プロンプトにより実世界のデータに対する質量推定精度が大幅に向上し,空間推論とVLM知識の統合の有効性が示唆された。

関連論文リスト

• Automatically Improving Simulation Physics for Articulated Objects [0.0]
  本稿では,操作中にオブジェクトを確実にシミュレートできるかどうかを特徴付けるインタラクション・レディネスを提案する。 不完全な3Dアセットから対話可能な調音オブジェクトを生成するためのシミュレーター・イン・ザ・ループ手法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T21:34:33Z)
• NICE FACT: Diagnosing and Calibrating VLMs in Quantitative Reasoning for Kinematic Physics [65.02899948986969]
  この研究は、視覚言語モデルが物理的世界をどのように知覚するかを根本的に理解し、物理法則を活用することを目的としている。 運動物理学の量的推論を明示的に分解する双対診断パラダイムであるNICEとFACTを提案する。 NICEは、我々の新しい地区インフォームドキャリブレーション手法と、信頼性の評価とキャリブレーションのための新しいメトリクスについて研究する。
  論文  参考訳（メタデータ） (2026-05-08T20:17:44Z)
• Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
  我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。 実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。 次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
  論文  参考訳（メタデータ） (2026-01-24T07:43:57Z)
• QuantiPhy: A Quantitative Benchmark Evaluating Physical Reasoning Abilities of Vision-Language Models [14.860588888047708]
  QuantiPhyは、VLMの物理的推論能力を定量的に測定するために設計された最初のベンチマークである。 現状のVLMに関する実験では, 定性的妥当性と実際の数値的正しさとの間に一貫したギャップがあることが判明した。
  論文  参考訳（メタデータ） (2025-12-22T16:18:00Z)
• Do-Undo: Generating and Reversing Physical Actions in Vision-Language Models [57.71440995598757]
  我々は,視覚言語モデルにおける重要なギャップに対処するために,Do-Undoタスクとベンチマークを導入する。 Do-Undoは、物理的な行動の結果をシミュレートし、それを正確に反転させるモデルを必要とし、視覚の世界における真の原因と効果を反映している。
  論文  参考訳（メタデータ） (2025-12-15T18:03:42Z)
• PhysPose: Refining 6D Object Poses with Physical Constraints [26.47867548297063]
  ポーズ推定に物理推論を統合する新しいアプローチであるPhysPoseを紹介する。 シーンジオメトリを活用することで、PhysPoseは物理的妥当性を確保するために推定値を取得する。 我々は、ロボット工学におけるその影響を、挑戦的なピック・アンド・プレイス・タスクの成功率を大幅に向上させることで実証する。
  論文  参考訳（メタデータ） (2025-03-30T20:52:17Z)
• UniQuadric: A SLAM Backend for Unknown Rigid Object 3D Tracking and Light-Weight Modeling [7.626461564400769]
  本稿では,エゴモーショントラッキング,剛体オブジェクトモーショントラッキング,モデリングを統一するSLAMバックエンドを提案する。 本システムは,複雑な動的シーンにおける物体知覚の潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2023-09-29T07:50:09Z)
• Physically Grounded Vision-Language Models for Robotic Manipulation [59.143640049407104]
  39.6Kのクラウドソースと417Kの自動物理概念アノテーションからなるオブジェクト中心のデータセットであるPhysObjectsを提案する。 本稿では,PhysObjects上での視覚言語モデルの微調整により,物理オブジェクト概念の理解が向上することを示す。 我々は、この物理的基盤を持つVLMを、大規模言語モデルに基づくロボットプランナーと対話的なフレームワークに組み込む。
  論文  参考訳（メタデータ） (2023-09-05T20:21:03Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)

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。