論文の概要: FoldingAgent: Inferring Parametric Origami Procedures from Demonstration Videos
- arxiv url: http://arxiv.org/abs/2609.00377v1
- Date: Mon, 31 Aug 2026 21:09:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.101271
- Title: FoldingAgent: Inferring Parametric Origami Procedures from Demonstration Videos
- Title(参考訳): FoldingAgent:デモビデオからパラメトリック折り紙の手順を推測する
- Abstract要約: 本稿では,折り紙デモビデオから直接,明示的なパラメトリック折り畳みプログラムを推定するためのエージェントフレームワークFoldingAgentを提案する。
本フレームワークは,一組の専門ツールを備えた事前学習型視覚言語モデルの推論能力を利用する。
そこで我々は,PurelandFoldのアプローチを評価した。PurelandFoldは多様なPureland Oigamiビデオの地上形状とアクションラベルを新たにキュレートしたベンチマークである。
- 参考スコア(独自算出の注目度): 26.43054143107089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present FoldingAgent, an agentic framework for inferring explicit parametric folding programs directly from origami demonstration videos. Our framework leverages the reasoning power of a pre-trained Vision-Language Model (VLM) equipped with a suite of specialized tools that enable the agent to simulate geometric transitions, verify physical plausibility, retrieve and compare visual content, and evaluate its own predictions. To translate visual content into folding programs, we define a parametric space that consists of the paper's geometry and a set of parametric folding actions. Unlike models that predict static crease patterns, our agent operates sequentially and possesses the ability to re-plan its actions, effectively mitigating the compounding errors inherent in multi-step folding. Our approach takes a step toward closing the gap between human origami knowledge, which is primarily shared through unstructured visual demonstrations, and computational methods, which typically rely on structured, parametric representations such as a crease pattern or an executable parametric plan. We evaluate our approach on PurelandFold, a newly curated benchmark of diverse Pureland origami videos with ground-truth geometry and action labels. Our results demonstrate that by combining VLM reasoning with a set of specialized tools and physical simulation, we can successfully transform unstructured visual demonstrations into executable, physically plausible folding procedures.
- Abstract(参考訳): 本稿では,折り紙デモビデオから直接,明示的なパラメトリック折り畳みプログラムを推定するためのエージェントフレームワークFoldingAgentを提案する。
本フレームワークは,幾何学的遷移をシミュレートし,身体的可視性を検証し,視覚的内容の検索と比較を行い,その予測を評価するための,一連の特殊ツールを備えた事前学習型視覚言語モデル(VLM)の推論能力を利用する。
視覚コンテンツを折りたたみプログラムに変換するために、紙の幾何学とパラメトリック折りたたみ動作の集合からなるパラメトリック空間を定義する。
静的なクリーゼパターンを予測するモデルとは異なり、エージェントは順次動作し、アクションを再計画する機能を持ち、マルチステップの折り畳みに固有の複合エラーを効果的に軽減する。
提案手法は,非構造的な視覚的デモンストレーションによって主に共有される人間の折り紙知識と,クレーゼパターンや実行可能なパラメトリックプランといった,構造化されたパラメトリック表現に依存する計算手法とのギャップを解消する。
そこで我々はPurelandFoldのアプローチを評価した。PurelandFoldは多様なPureland Oigamiビデオの地上形状とアクションラベルを新たにキュレートしたベンチマークである。
以上の結果から,VLM推論と一組の特殊ツールと物理シミュレーションを組み合わせることで,非構造化の視覚的実演を実行可能な物理的に妥当な折り畳み手順に変換することに成功した。
関連論文リスト
- TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。
拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。
推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
論文 参考訳(メタデータ) (2026-05-25T08:03:31Z) - S-VAM: Shortcut Video-Action Model by Self-Distilling Geometric and Semantic Foresight [42.690473567612116]
ビデオアクションモデル(VAM)は、ロボット学習のための有望なパラダイムとして登場した。
S-VAMは、1つのフォワードパスを介してコヒーレントな幾何学的および意味的表現を予測できるショートカットビデオアクションモデルである。
論文 参考訳(メタデータ) (2026-03-17T07:21:28Z) - Geometry-Aligned LLM Fine-Tuning for Sequential Narrow-Opening Planning [6.579320299248572]
複数の狭い開口部を通した剛体運動計画について検討した。
そこで本研究では,幾何整合型大規模言語モデル(LLM)の微調整フレームワークを提案する。
本手法は,流通環境とアウト・オブ・ディストリビューション環境の両方において,最も高い成功率を達成する。
論文 参考訳(メタデータ) (2026-03-17T00:24:32Z) - OrigamiBench: An Interactive Environment to Synthesize Flat-Foldable Origamis [28.493060188882314]
物理的な世界で計画し、行動し、創造できるAIシステムを構築するには、パターン認識以上のものが必要です。
このようなシステムは、シーケンシャルな決定を導くために、物理的プロセスを管理する因果的メカニズムや制約を理解する必要がある。
この能力は、内部言語モデルに類似した内部表現に依存しており、観察、行動、その結果の環境変化を関連づけている。
モデルが折り畳みを反復的に提案し,対象設定と物理的妥当性および類似性に関するフィードバックを受け取る,インタラクティブなベンチマークであるOrigamiBenchを紹介する。
論文 参考訳(メタデータ) (2026-03-14T09:33:29Z) - Learn2Fold: Structured Origami Generation with World Model Planning [32.69934044200432]
折り紙は 厳密な幾何学的公理と 強硬なキネマティックな制約で 支配されている。
単一の無効な切断または衝突は、すべての折り畳みシーケンスを無効にすることができる。
本稿では,折り紙折り畳みをクレーゼパターングラフ上での条件付きプログラム誘導として定式化するニューラルシンボリックフレームワークであるLearner2Foldを紹介する。
論文 参考訳(メタデータ) (2026-02-02T11:24:19Z) - DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion [53.70278210626701]
マルチビュー画像から3次元シーン形状とカメラポーズを直接推定するデータ駆動型マルチビュー推論手法を提案する。
我々のフレームワークであるDiffusionSfMは、シーン幾何学とカメラを、グローバルフレーム内のピクセルワイズ線源とエンドポイントとしてパラメータ化します。
我々は、DiffusionSfMを合成データセットと実データセットの両方で実証的に検証し、古典的および学習ベースのアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2025-05-08T17:59:47Z) - Fact :Teaching MLLMs with Faithful, Concise and Transferable Rationales [102.54274021830207]
MLLMの教えに忠実で簡潔で伝達しやすい多モーダル論理を生成するために設計された新しいパラダイムであるFactを紹介する。
プログラミングパラダイムからエンドツーエンドパラダイムに転送可能な合理性をフィルタリングして、転送可能性を保証する。
また,画像とテキストの相関性が高いため,幻覚の低減も図っている。
論文 参考訳(メタデータ) (2024-04-17T07:20:56Z) - EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning [84.6451394629312]
実世界のシナリオにおけるMLLMの計画能力を評価するベンチマークであるEgoPlan-Benchを紹介する。
EgoPlan-Benchは、人間レベルのタスクプランニングを実現するためのMLLMの改善のかなりの範囲を浮き彫りにする。
また,EgoPlan-Bench上でのモデル性能を効果的に向上する特殊命令チューニングデータセットであるEgoPlan-ITを提案する。
論文 参考訳(メタデータ) (2023-12-11T03:35:58Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳(メタデータ) (2023-05-26T14:40:46Z) - A Control-Centric Benchmark for Video Prediction [69.22614362800692]
本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。
私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。
次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
論文 参考訳(メタデータ) (2023-04-26T17:59:45Z) - Latent Space Roadmap for Visual Action Planning of Deformable and Rigid
Object Manipulation [74.88956115580388]
プランニングは、イメージを埋め込んだ低次元の潜在状態空間で行われる。
我々のフレームワークは2つの主要なコンポーネントで構成されており、画像のシーケンスとして視覚的な計画を生成するビジュアル・フォレスト・モジュール(VFM)と、それら間のアクションを予測するアクション・プロポーザル・ネットワーク(APN)である。
論文 参考訳(メタデータ) (2020-03-19T18:43:26Z)
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。