論文の概要: PackingGPT: 3D Packing Agent for Real Furniture in Last-Mile Delivery

• arxiv url: http://arxiv.org/abs/2608.01427v1
• Date: Sun, 02 Aug 2026 18:16:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.226609
• Title: PackingGPT: 3D Packing Agent for Real Furniture in Last-Mile Delivery
• Title（参考訳）: PackingGPT: 3D Packing Agent for Real Furniture in Last-Mile Delivery (特集 バイオサイバネティックスとバイオサイバネティックス)
• Abstract要約: 本稿では,異種箱と占有容器を用いた現実的な条件下での物理的に安定な配置について述べる。 Heterogeneous furniture-in-vehicle packingタスクのための実世界のベンチマークデータセットとベースラインモデルを提供する。 また,レゴの組み立てプロセスにインスパイアされたシーケンシャルな配置として,パッケージングのためのPackingGPTフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.35456329158128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D bin packing rectangular items into standardised containers to maximise space utilisation under geometric shipping automation. Loading a furniture purchase into a personal vehicle is the same task, but under more complex conditions that standard container loading algorithms ignore. This paper addresses the physically stable placement under these realistic conditions with heterogeneous boxes (e.g. varying dimensions and weights) and occupied containers (e.g. groceries). This paper provides a real-world benchmark dataset and baseline model for the Heterogeneous furniture-in-vehicle packing task. The dataset uses real furniture company flat-pack packaging data covering a large number of catalogue products via family-level extrapolation with diversity length, widths, heights, and weights. We also propose a PackingGPT framework for packing as a sequential placement inspired by the Lego assembly process, where heterogeneous boxes of varying dimensions (bricks) are placed step-by-step into the irregular remaining cargo space (creations). Five baseline packing methods were tested on our dataset without considering the Centre-of- Mass (CoM) constraints. In sedan car simulations, 10-40% of placed boxes failed the stability check on average. When the LLP model was trained on packing sequences with CoM constraints enforced during placement, the failure rate dropped to 0.67% (SUV-500).
• Abstract（参考訳）: 四角いアイテムを標準化されたコンテナに詰め込んだ3Dビンは、幾何学的な出荷自動化の下での空間利用を最大化する。 家具購入を個人用車両にロードするのは同じ作業だが、標準的なコンテナローディングアルゴリズムが無視するより複雑な条件下ではだめだ。 本稿では, この現実的な条件下での物理的に安定な配置を, 不均質な箱(例えば, 次元と重量)と占有容器(例えば, 食料品)で解決する。 本稿では、異種家具組立作業のための実世界のベンチマークデータセットとベースラインモデルを提供する。 このデータセットは、多様な長さ、幅、高さ、重量を持つ家族レベルの外挿を通じて、多数のカタログ製品をカバーする、本物の家具会社のフラットパックパッケージデータを使用する。 また,レゴの組立プロセスにインスパイアされた逐次配置としてパッケージングのためのPackingGPTフレームワークを提案する。 中心質量(Central-of- Mass, CoM)の制約を考慮せずに, データセット上で5つのベースラインパッキング手法を検証した。 セダンカーシミュレーションでは、設置箱の10-40%が平均安定性チェックに失敗した。 LLPモデルが配置中に強制されたCoM制約付きパッケージングシーケンスでトレーニングされると、故障率は0.67%(SUV-500)に低下した。

関連論文リスト

• Pack it in: Packing into Partially Filled Containers Through Contact [0.8299692647308321]
  本稿では,予め配置されたオブジェクトとの汎用的なインタラクションを利用して,自由空間を創出する,接触認識型パッキング手法を提案する。 これは、予測モデルと統合された多目的軌道コントローラを使用することで実現される。 オブジェクトをコンテナ内に配置するための物理的に実現可能な場所を提案する方法が提示される。
  論文  参考訳（メタデータ） (2026-02-12T15:47:04Z)
• OPA-Pack: Object-Property-Aware Robotic Bin Packing [99.93418592774326]
  本稿では,ロボットにオブジェクトパッキングを計画する際のオブジェクト特性を考慮した最初のフレームワークであるOPA-Packについて述べる。 また,OPA-Netを定式化し,非互換なオブジェクトペアを分離し,パッキングをコンパクト化しながら脆弱なオブジェクトに対する圧力を低減する。 実験結果から,OPA-Packは非互換なオブジェクトペアの分離精度を大幅に向上し,脆弱なオブジェクトに対する圧力を大幅に低減することがわかった。
  論文  参考訳（メタデータ） (2025-05-19T16:48:14Z)
• Deliberate Planning of 3D Bin Packing on Packing Configuration Trees [65.05353662124676]
  オンライン3D Bin Packing Problem (3D-BPP) は産業自動化に広く応用されている。 我々は,新しい階層表現,パッキング構成木(PCT)の学習を通じて,オンライン3D-BPPの実用性を高めることを提案する。 PCTは、ディープ強化学習(DRL)に基づくパッキングポリシー学習を支援するビンパッキングの状況と行動空間について、本格的な記述である。
  論文  参考訳（メタデータ） (2025-04-06T09:07:10Z)
• Convolutional Occupancy Models for Dense Packing of Complex, Novel Objects [75.54599721349037]
  実世界における密包装のための既成の計画手法と容易に組み合わせることができる完全畳み込み形状完備モデルF-CONを提案する。 シミュレーションデータセットであるCOB-3D-v2もリリースしています。 最後に、F-CONと現実世界のピック・アンド・プレイス・システムを備え、散らばったシーンで複雑で見えない物体を密集したパッキングを実演する。
  論文  参考訳（メタデータ） (2023-07-31T19:08:16Z)
• Planning Irregular Object Packing via Hierarchical Reinforcement Learning [85.64313062912491]
  本研究では,不規則物体のパッケージングシーケンスと配置を計画するための階層的強化学習手法を提案する。 我々の手法は、不規則なオブジェクトの最先端のパッキング方法よりも、より少ない時間でより多くのオブジェクトをパックできることを示す。
  論文  参考訳（メタデータ） (2022-11-17T07:16:37Z)

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。