論文の概要: Learning 3D Affordances for Blade Insertion in Cluttered Stowing
- arxiv url: http://arxiv.org/abs/2607.02549v1
- Date: Thu, 25 Jun 2026 22:09:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 07:26:11.074314
- Title: Learning 3D Affordances for Blade Insertion in Cluttered Stowing
- Title（参考訳）: 研削加工におけるブレード挿入の3次元精度の学習
- Abstract要約: VulcanVoxelは人間のアノテーションを使わずに1万件の実際の倉庫のストーエピソードをトレーニングし、最高のポーズベースのベースラインでは0.89対0.71のトップ5のカバレッジを達成した。
実羽根挿入サイクルのデータセットを公開し,RGB-D観測でシーン,空間,マルチアームで撮影した。
- 参考スコア（独自算出の注目度）: 7.879149962276645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many manipulation tasks require reasoning about free-space affordances: discovering volumes where an extended rigid tool can safely navigate, complementary to surface contact affordances for grasping. Robotic stowing is a canonical instance, where a blade must sweep items aside inside cluttered fabric bins to create insertion space. Production stow systems generate millions of such episodes, but standard approaches with unimodal data infer affordances as SE(3) pose distributions, a geometric question asked in the wrong domain. VulcanVoxel keeps inference spatial: a masked autoencoder over 3D occupancy fields reconstructs blade occupancy conditioned on scene geometry, computing feasibility locally at each voxel and recovering multi-modal predictions from unimodal data. Blade affordances are spatial objects, subsets of 3D space defined by geometric feasibility. Pose parameters carry no structure for reasoning whether unobserved placements are feasible, and standard generative objectives including flow matching faithfully learn the unimodal distribution produced by execution policies and cannot recover geometric alternatives. Trained on 10,000 real warehouse stow episodes without human annotation, VulcanVoxel achieves top-5 coverage of 0.89 versus 0.71 for the best pose-based baseline, with a distilled student providing RGB-to-voxel inference in 30 ms. vs. 1.4 s. for voxel-to-voxel. We have released a dataset of real blade insertion cycles with RGB-D observations and pose trajectories at https://www.armbench.com/blade_insertion. html.
- Abstract（参考訳）: 多くの操作タスクは、自由空間の空き時間についての推論を必要とする: 拡張された剛体ツールが安全にナビゲートできるボリュームを発見し、つかむための表面接触の空き時間に補完する。
ロボット・ストーイング(Robotic stowing)は標準的な例で、刃物が散らばった布の箱の中を掃除して挿入スペースを作らなければならない。
生産ストーシステムはこのようなエピソードを何百万も生成するが、非標準データを用いた標準的なアプローチでは、SE(3)のポーズが間違った領域で求められた幾何学的疑問が生じる。
VulcanVoxelは推論空間を維持している: 3次元占有フィールド上のマスク付きオートエンコーダは、シーン幾何学で条件付けられたブレード占有を再構築し、各ボクセルで局所的に実現可能性の計算を行い、ユニモーダルデータからマルチモーダル予測を復元する。
ブレード余剰は空間的対象であり、幾何学的実現可能性によって定義される3次元空間の部分集合である。
ポースパラメータは、観測不能な配置が実現可能かどうかを推論するための構造を持たず、フローマッチングを含む標準的な生成目的は、実行ポリシーによって生成された一様分布を忠実に学習し、幾何学的な代替品を復元できない。
VulcanVoxelは、人間のアノテーションなしで1万件の実際の倉庫のストーエピソードをトレーニングし、最高のポーズベースラインで0.89対0.71でトップ5のカバレッジを達成している。
voxel-to-voxel の略。
我々は、RGB-D観測による実際のブレード挿入サイクルのデータセットをリリースし、https://www.armbench.com/blade_insertion.comで軌道を撮った。
html
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - AgentGrounder: Zero-Shot 3D Visual Pointcloud Grounding using Multimodal Language Models [0.0]
3Dビジュアルグラウンド(3DVG)は、AIを具現化する上で不可欠な機能であり、自然言語の記述に基づいて、エージェントがオブジェクトを3Dシーンにローカライズする必要がある。
タスク固有の3Dトレーニングを必要とせずに,色のついた点クラウド上で直接動作する,ゼロショットの3Dビジュアルグラウンドティングフレームワークである。
論文 参考訳（メタデータ） (2026-05-25T14:29:04Z) - Uncovering and Shaping the Latent Representation of 3D Scene Topology in Vision-Language Models [9.722829662835233]
現代の視覚言語モデル (VLM) には3次元シーンの潜在的トポロジマップが存在することを示す。
この空間部分空間をクロスシーン線形特徴抽出により分離することにより,モデルの空間出力を因果的に制御するクリーン空間部分空間を抽出する。
この潜在表現を数学的に形成し、シーンの3次元ガウス-核グラフのラプラシア固有写像との対応性を証明する。
論文 参考訳（メタデータ） (2026-05-08T02:32:27Z) - AffordSim: A Scalable Data Generator and Benchmark for Affordance-Aware Robotic Manipulation [42.842219862127116]
AffordSimは、オープンボキャブラリの3Dアベイランス予測を操作データ生成パイプラインに統合するシミュレーションフレームワークである。
AffordSimは、私たちのVoxAffordモデルを使って、オブジェクトポイントのクラウド上の空きマップを予測する。
AffordSimはNVIDIA Isaac Simをベースとして、クロスエボディメントをサポートする。
論文 参考訳（メタデータ） (2026-04-13T16:21:44Z) - Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models [50.14156501544165]
空間的推論は3次元シーンにおける空間的関係に基づく対象物の位置決めに焦点を当てる。
従来のアプローチでは、大規模言語モデルの入力空間に3Dシーン表現を注入しようと試みてきた。
オブジェクト数に線形な入力長を持つ新しい位置埋め込み法であるQuatRoPEを提案する。
論文 参考訳（メタデータ） (2026-03-25T18:46:23Z) - Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence [78.1406635199656]
Holi-Spatialは、人間の介入なしに生のビデオ入力から構築された、初めて完全に自動化され、大規模で、空間対応のマルチモーダルデータセットである。
Holi-Spatial-4Mは、12K最適化された3DGSシーン、1.3Mの2Dマスク、320Kの3Dバウンディングボックス、320Kのインスタンスキャプション、1.2Mの3Dグラウンドインスタンス、1.2Mの空間QAペアを含む、最初の大規模で高品質な3Dセマンティックデータセットである。
論文 参考訳（メタデータ） (2026-03-08T14:49:20Z) - CanoVerse: 3D Object Scalable Canonicalization and Dataset for Generation and Pose [42.26395682704635]
Canoverseは、1,156のカテゴリで320Kオブジェクトの巨大な標準3Dデータセットである。
Canoverseは3D生成の安定性を改善し、正確なクロスモーダルな3D形状の検索を可能にし、ゼロショットポイントクラウドの向き推定をアンロックする。
論文 参考訳（メタデータ） (2026-03-07T10:27:34Z) - Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。
本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。
我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
論文 参考訳（メタデータ） (2026-02-27T08:54:20Z) - HeRO: Hierarchical 3D Semantic Representation for Pose-aware Object Manipulation [54.325346533275074]
HeROは、階層的意味論を通して幾何学と意味論を結合する拡散ベースのポリシーである。
様々なテストにおいて、HeROは新しい最先端技術を確立し、Place Dual Shoesの成功率を12.3%改善し、6つの挑戦的なポーズ対応タスクで平均6.5%向上した。
論文 参考訳（メタデータ） (2026-02-21T12:29:10Z) - CymbaDiff: Structured Spatial Diffusion for Sketch-based 3D Semantic Urban Scene Generation [55.74642848285121]
フリーハンドスケッチと衛星画像から3D屋外セマンティックシーンを生成するための,最初の大規模ベンチマークであるSketchSem3Dを紹介する。
また,シーン生成における空間コヒーレンスを大幅に向上させるCyinder Mamba Diffusion (CymbaDiff)を提案する。
CymbaDiffは、優れたセマンティック一貫性、空間リアリズム、およびデータセット間の一般化を実現する。
論文 参考訳（メタデータ） (2025-10-15T07:47:00Z) - GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。
提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
論文 参考訳（メタデータ） (2025-02-07T16:07:51Z) - High-fidelity 3D Model Compression based on Key Spheres [6.59007277780362]
明示的な鍵球を入力として用いたSDF予測ネットワークを提案する。
提案手法は,高忠実かつ高圧縮な3次元オブジェクトの符号化と再構成を実現する。
論文 参考訳（メタデータ） (2022-01-19T09:21:54Z)
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。