論文の概要: From Documented Strengths to Force Limits: Material-Informed Robotic Insertion for Construction Assembly

• arxiv url: http://arxiv.org/abs/2609.22609v1
• Date: Fri, 18 Sep 2026 21:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.88361
• Title: From Documented Strengths to Force Limits: Material-Informed Robotic Insertion for Construction Assembly
• Title（参考訳）: 資料から力限界へ:組み立て用材料インフォームドロボットインサーション
• Abstract要約: 本稿では,文書化された証拠をロボット挿入のためのキャパシティ推定に変換するシステムであるSAGEについて述べる。 大きな言語モデル(LLM)は、取得した通路やテーブルから引張力と圧縮強度を抽出するために用いられる。 応答モデルにより、オフライン有限要素(FE)解を補間し、これらの強度と組立条件を軸方向の負荷容量に変換する。
• 参考スコア（独自算出の注目度）: 5.65476718339231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Insertion is a fundamental operation in robotic construction assembly, where variations in material properties and assembly conditions make it difficult to select contact forces that complete the task without exceeding the assembly's capacity. Although construction documents encode engineering knowledge about materials and their conditions, translating this knowledge into load limits for a specific assembly remains difficult. This paper presents SAGE (Source-grounded Assembly Gating and Execution), a system that converts documented material evidence into capacity estimates for robotic insertion. SAGE restricts a large language model (LLM) to extracting tensile and compressive strengths from retrieved passages and tables and records their sources. A response model then interpolates offline finite element (FE) solutions to convert these strengths and the assembly conditions into axial load capacity. For fits with positive clearance, the estimated capacity sets the policy's axial force limit; for interference fits, it is compared with measured support demand to determine admission. On the primary benchmark, SAGE reduces mean capacity error from 80.65\% for direct LLM estimates based on the same evidence to 10.74\%. Without refitting, the mean error remains 8.00\% on 16 additional geometries. Under the assigned support release model, SAGE correctly classifies 59 of 62 scored simulation runs, with only conservative errors. In recorded xArm6 demonstrations, SAGE takes material documents as input and completes physical insertion in 9 of 13 trials. These results show that assigning document interpretation to the LLM and force calculation to an explicit mechanical model produces accurate capacity estimates and traceable insertion decisions.
• Abstract（参考訳）: ロボット組立の基本的な作業であり、材料特性や組立条件の変化により、組立能力を超えることなくタスクを完了させる接触力の選択が困難になる。 建設資料は材料とその条件に関する工学的知識を符号化しているが、この知識を特定の組立のための負荷限界に変換することは依然として困難である。 本稿では,資料証拠をロボット挿入のキャパシティ推定に変換するシステムであるSAGE(Source-grounded Assembly Gating and Execution)について述べる。 SAGEは、取得した通路やテーブルから引張力と圧縮強度を抽出し、ソースを記録するために、大きな言語モデル(LLM)を制限する。 応答モデルにより、オフライン有限要素(FE)解を補間し、これらの強度と組立条件を軸方向の負荷容量に変換する。 正のクリアランスに適合するために、推定容量は政策の軸力限界を設定する。 一次ベンチマークでは、SAGEは平均容量誤差を80.65\%から10.74\%に減らした。 補正なしでは、平均誤差は16の余剰測地で8.00\%である。 割り当てられたサポートリリースモデルの下で、SAGEは62点のシミュレーション実行のうち59点を正しく分類し、保守的なエラーのみを発生させる。 記録されたxArm6のデモでは、SAGEは資料文書を入力として取り、13のトライアルのうち9つの物理的挿入を完了した。 これらの結果は, LLMに文書解釈を割り当て, 力計算を明示的な機械モデルに割り当てることで, 正確なキャパシティ推定とトレーサブルな挿入決定が得られることを示している。

関連論文リスト

• PolyBridgeBench: Benchmarking Multimodal LLMs for Physics-Grounded Bridge Design [14.174104275800557]
  マルチモーダルブリッジ設計のための実行可能なベンチマークであるPolyBridgeBenchを紹介する。 モデルは、視覚的なシーンと構造化されたエンジニアリング制約を受け取り、完全なノード-メンバー-マテリアルトポロジーを生成する。 実行が失敗した後、ベンチマークは失敗したロールアウトから時間的視覚的証拠を返す。 決定論的妥当性、動的機能的成功、障害後の回復の別々の測定は、設計が失敗する段階を特定する。
  論文  参考訳（メタデータ） (2026-09-18T08:47:09Z)
• Evaluating a 4B open-weights local LLM for agentic DFT workflows: a literature reproducibility audit [0.0]
  この研究は、様々なハードウェア制約に対して自律的な科学パイプラインを実行するオープンウェイトQwen3:4Bモデルを評価する。 このシステムは、非構造化テキストからパラメータを抽出し、それらを密度汎関数理論(DFT)入力に変換し、シミュレーションを収束させる。
  論文  参考訳（メタデータ） (2026-08-30T08:59:05Z)
• UXBench: Measuring the Actionability of LLM-Generated UX Critiques [58.14408744110387]
  対話型UX判断器として大規模言語モデル(LLM)を評価するベンチマークであるUXBenchを紹介する。 UXBenchは10の製品表面のファミリーにまたがる、ローカルファーストで実行可能なウェブフィクスチャで構成されており、カバーゲートのルーリック探索と組み合わせている。 8つのフロンティアモデルについて,自動修理作業プロトコルと視覚障害者による検証実験の両方で評価した。
  論文  参考訳（メタデータ） (2026-06-15T06:08:39Z)
• Order Is Not Control: Driven-Dissipative Response Laws Across Artificial and Biological Systems [0.0]
  制御には受信応答則(denominator-indexed operator mapping material state, action/drive, bath, and receiver state)が必要である。 介入は、媒体、入浴、レシーバー状態、アクションポート、レシーバーに応じて、許可、飽和、サインチェンジ、漏れ、あるいは過度に駆動される。 ALM、C. elegans、およびゼブラフィッシュパネルは、座標アイデンティティとコントローラの結論を除外しながら、物理的に応答するエビデンスを提供する。
  論文  参考訳（メタデータ） (2026-06-11T05:27:42Z)
• Breaking the Factorization Barrier in Diffusion Language Models [59.946071582340146]
  ベクトル化障壁」は拡散言語モデルの効率的な並列生成を妨げる。 完全分解出力分布を置き換えるための結合離散拡散法を提案する。 我々は, CoDD が多種多様な言語モデルアーキテクチャをシームレスに拡張し, オーバーヘッドを無視できることを示した。
  論文  参考訳（メタデータ） (2026-02-09T08:36:39Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• Precise Information Control in Long-Form Text Generation [107.83171105517863]
  提案手法は,短時間の自己完結文のセットで与えられた長文の出力をモデルで生成することを必要とするタスクの定式化である。 PICには、完全に全ての入力クレームを含むモデルの能力をテストする完全な設定と、関連するクレームのみを選択的に組み込む必要がある部分的な設定が含まれている。 提案するPIC-Benchは,PIC設定に適合する8つの長文生成タスクのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T23:42:42Z)
• Eliminating Position Bias of Language Models: A Mechanistic Approach [119.34143323054143]
  位置バイアスは現代言語モデル (LM) の一般的な問題であることが証明されている。 我々の力学解析は、ほぼ全ての最先端のLMで使われている2つのコンポーネント(因果的注意と相対的位置エンコーディング)に位置バイアスが関係している。 位置バイアスを排除することによって、LM-as-a-judge、検索強化QA、分子生成、数学推論など、下流タスクのパフォーマンスと信頼性が向上する。
  論文  参考訳（メタデータ） (2024-07-01T09:06:57Z)

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。