論文の概要: OmniCAD: A Large-Scale Benchmark for 3D Spatial Reasoning in Robotics Assemblies
- arxiv url: http://arxiv.org/abs/2608.22637v1
- Date: Sun, 23 Aug 2026 22:42:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.817171
- Title: OmniCAD: A Large-Scale Benchmark for 3D Spatial Reasoning in Robotics Assemblies
- Title（参考訳）: OmniCAD:ロボット集合における3次元空間推論のための大規模ベンチマーク
- Abstract要約: OmniCADは様々な産業システムにまたがる3次元空間推論のための大規模ベンチマークである。
OmniCADには25kの機械組立体があり、1組平均12個の部品と21種類の交尾関係がある。
我々は,正確な,物理的に有効な,スケーラブルな3Dアセンブリ推論の研究を支援するために,ベンチマーク,評価コード,ツールインターフェースをオープンソース化する。
- 参考スコア（独自算出の注目度）: 12.751658252598366
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent vision-language models (VLMs) show strong capabilities in robotic perception and spatial reasoning, yet their ability to reason about complex mechanical assemblies remains underexplored. We introduce OmniCAD, a large-scale benchmark for assembly-aware 3D spatial reasoning across diverse industrial systems, including robotic mechanisms, automotive components, aerospace structures, and agricultural machinery. OmniCAD contains 25k mechanical assemblies, with an average of 12 parts per assembly and 21 types of mate relationships. Each assembly includes a human-verified ground-truth 3D model and renderings from 20 viewpoints. The benchmark evaluates three capabilities: (1) component-level 3D spatial reasoning, requiring prediction of part positions and orientations; (2) part-to-part relational reasoning, requiring identification of mating relationships and assembly constraints; and (3) tool-augmented agentic reasoning, where models iteratively select viewpoints, inspect visual evidence, and refine predictions. Experiments show that current VLMs struggle with industrial assembly reasoning, often producing inaccurate poses, invalid mating relationships, part interpenetration, and degraded performance as assembly complexity increases. We will open-source the benchmark, evaluation code, and tool interfaces to support research on accurate, physically valid, and scalable 3D assembly reasoning.
- Abstract（参考訳）: 近年の視覚言語モデル(VLM)は、ロボットの知覚と空間的推論において強力な能力を示すが、複雑な機械的集合体を推論する能力は未解明のままである。
OmniCADは,ロボット機構,自動車部品,航空宇宙構造,農業機械など多種多様な産業システムを対象とした,組立を意識した空間推論のための大規模ベンチマークである。
OmniCADには25kの機械組立体があり、1組平均12個の部品と21種類の交尾関係がある。
各アセンブリには、人間による検証済みの3Dモデルと、20視点からのレンダリングが含まれている。
本ベンチマークは,(1)コンポーネントレベル3次元空間推論,(2)部分位置と向きの予測,(2)部分間関係推論,組合わせ関係と組合わせ制約の識別,(3)モデルが視点を反復的に選択し,視覚的証拠を検査し,予測を洗練するツール強化エージェント推論の3つの機能を評価する。
実験により、現在のVLMは、しばしば不正確なポーズ、不正確な交尾関係、部分的相互接続、組立複雑性の増加に伴う性能低下など、産業組立推論に苦慮していることが示された。
我々は,正確な,物理的に有効な,スケーラブルな3Dアセンブリ推論の研究を支援するために,ベンチマーク,評価コード,ツールインターフェースをオープンソース化する。
関連論文リスト
- OmniMech: All-in-one Multimodal Mechanical Benchmark for 3D Reconstruction [15.427717696810456]
産業データからCAD生成における視覚言語モデルを評価するための最初の100万スケールベンチマークであるOmniMechを紹介する。
OmniMechには251,000点以上の完全な寸法と寛容な2Dホログラフィックの描画が含まれており、ネイティブCADモデルと組み合わせている。
将来の研究をサポートするために、ベンチマークデータ、評価コード、ツールインターフェースをリリースします。
論文 参考訳（メタデータ） (2026-08-06T02:36:22Z) - ViewMind3D: Modular View-Aware Inference for Training-Free 3D-QA [26.947027118604368]
textbfViewMind3Dは、シーンを多視点で観察する3次元空間推論のための、完全にトレーニング不要でモジュラーなフレームワークである。
ViewMind3Dは,事前のトレーニング不要および微調整3D-LLMと比較して,競争性能が向上することを示す。
論文 参考訳（メタデータ） (2026-07-30T16:14:30Z) - Embodied3DBench: Benchmarking Low-Level Embodied Spatial Intelligence of Vision Language Models [50.6415287154632]
Embodied3DBenchは3D環境における低レベル空間インテリジェンスをターゲットにしたロボット中心のベンチマークである。
ベンチマークは12のサブカテゴリにまたがり、21万以上の高品質な質問応答ペアを含んでいる。
論文 参考訳（メタデータ） (2026-05-27T20:28:56Z) - PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction [57.63073414949329]
我々は,階層的な3Dポイントクラウド表現をアクションデコーディングプロセスに直接統合する,デュアルシステム3D対応VLAポリシーであるPointACTを提案する。
PointACTは、効率的なボトルネックウィンドウ自己アテンションを備えたマルチスケールのポイントアクションインタラクション機構を採用し、進化するアクショントークンが局所的な幾何学的詳細とグローバルなシーン構造の両方に密に関与できるようにする。
論文 参考訳（メタデータ） (2026-05-20T17:10:31Z) - AssemLM: Spatial Reasoning Multimodal Large Language Models for Robotic Assembly [45.963541758601274]
本稿では,ロボット組立に適した空間多モーダル大言語モデルAssemLMを提案する。
AssemLMは、アセンブリマニュアル、ポイントクラウド、テキスト命令を統合して、タスククリティカルな6Dアセンブリのポーズを推論し予測する。
本モデルでは, 多様な組立シナリオにまたがって, 6次元モデルにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-10T05:43:39Z) - From Perception to Action: An Interactive Benchmark for Vision Reasoning [51.11355591375073]
Causal Hierarchy of Actions and Interactions (CHAIN)ベンチマークは、モデルが物理的制約に基づいて構造化されたアクションシーケンスを理解し、計画し、実行できるかを評価するために設計された。
CHAINは、受動的知覚からアクティブな問題解決、機械パズルのインターロックや3D積み重ね、パッキングといったタスクへと評価をシフトする。
以上の結果から,トップパフォーマンスモデルでは,物理構造や因果制約の内在化に苦慮し,信頼性の高い長期計画の作成に失敗することが多く,認識された構造を効果的に翻訳することができないことが示唆された。
論文 参考訳（メタデータ） (2026-02-24T15:33:02Z) - Context-Aware Mapping of 2D Drawing Annotations to 3D CAD Features Using LLM-Assisted Reasoning for Manufacturing Automation [0.05090720572281118]
本稿では、2D描画エンティティを3DCAD機能にマッピングする決定論的第一の文脈認識フレームワークを提案する。
20個のCAD描画ペアの実験では平均精度は83.67%、リコールは90.46%、F1スコアは86.29%である。
論文 参考訳（メタデータ） (2026-02-20T15:46:57Z) - Large Language Models and 3D Vision for Intelligent Robotic Perception and Autonomy [1.7523719472700858]
3Dビジョンを備えた大規模言語モデル(LLM)は、ロボットセンシング技術の強化に対する変革的なアプローチとして現れている。
本稿では,LLMと3Dビジョンの交わりにおける最先端の方法論,応用,課題を包括的に分析する。
論文 参考訳（メタデータ） (2025-11-14T11:32:25Z) - SURPRISE3D: A Dataset for Spatial Understanding and Reasoning in Complex 3D Scenes [105.8644620467576]
Stextscurprise3Dは複雑な3次元シーンにおける言語誘導空間推論のセグメンテーションを評価するために設計された新しいデータセットである。
Stextscurprise3Dは、ScanNet++ v2から900以上の詳細な屋内シーンにわたる200k以上の視覚言語ペアで構成されている。
データセットには、オブジェクト名なしで意図的に作成される89k以上の人間アノテーション付き空間クエリが含まれている。
論文 参考訳（メタデータ） (2025-07-10T14:01:24Z) - Articulate-Anything: Automatic Modeling of Articulated Objects via a Vision-Language Foundation Model [35.184607650708784]
Articulate-Anythingは、テキスト、画像、ビデオを含む多くの入力モダリティから、多種多様な複雑なオブジェクトの明瞭化を自動化する。
本システムでは,メッシュ検索機構を通じて既存の3Dデータセットを,反復的に提案,評価,洗練を行うアクタ・クリティカル・システムとともに活用する。
論文 参考訳（メタデータ） (2024-10-03T19:42:16Z) - MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic
Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。
提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。
また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
論文 参考訳（メタデータ） (2021-12-29T17:23:24Z) - MoreFusion: Multi-object Reasoning for 6D Pose Estimation from
Volumetric Fusion [19.034317851914725]
本稿では,複数の既知の物体の接触と隠蔽の正確なポーズを,リアルタイムな多視点視から推定するシステムを提案する。
提案手法は,1枚のRGB-Dビューからの3Dオブジェクトのポーズ提案を行い,カメラが移動すると,複数のビューからのポーズ推定と非パラメトリック占有情報を蓄積する。
提案手法の精度とロバスト性を2つのオブジェクトデータセット(YCB-Video)で実験的に検証する。
論文 参考訳（メタデータ） (2020-04-09T02:29:30Z)
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。