論文の概要: AssemState: Manual and Physical-State-Guided Reasoning for Zero-shot Furniture Assembly
- arxiv url: http://arxiv.org/abs/2610.08446v1
- Date: Tue, 06 Oct 2026 14:35:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.051682
- Title: AssemState: Manual and Physical-State-Guided Reasoning for Zero-shot Furniture Assembly
- Title（参考訳）: AssemState:Zero-shot Furniture Assemblyのための手動および物理的ガイドによる推論
- Abstract要約: 本稿では,手動および物理的に指導された家具組み立てのためのフレームワークAssemStateを提案する。
手動ページを単一の操作に分解するために、アンカー誘導境界アセンブリーステートを使用する。
逐次的な(SE(3))更新と修正を誘導するために反復的な後状態フィードバックの修正を使用し、それらの物理的妥当性を検証する。
- 参考スコア（独自算出の注目度）: 12.906322346318113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal large language models (MLLMs) have made significant progress in visual understanding, but precise 3D spatial reasoning integrated with physical environment remains difficult. Furniture assembly requires not only recovering step-level operations from diagrammatic manuals, but also translating semantic attachment relations into 6D pose updates that enable parts to physically interact with the environment and previously assembled components. To study this problem, we propose AssemState, a zero-shot framework for manual and physical-state-guided furniture assembly. It firstly employs anchor-guided boundary assembly states to decompose manual pages into single-part operations and recover an assembly-tree. Then, it uses iterative after-state feedback refinement to guide successive (SE(3)) updates and corrections, and validates their physical plausibility through simulation-based release tests. Experiments show that compared with the strongest prior baseline, AssemState improves F1 from 38.58\% to 62.80\% and Tree Exact Match from 28.24\% to 53.92\% for assembly-tree recovery. On 243 independently evaluated part-level operations, our proposed iterative refinement improves judge-accepted operations from 0 to 5.3\% and reduces mean Chamfer distance from 5.4111 to 1.7744. However, visually plausible candidate poses may still suffer from collision, floating, mirror-orientation errors, incomplete seating, and wrong-side attachment. These results show that AssemState improves operation-structure recovery and selected local pose metrics, while MLLMs remain limited for spatial relationship reasoning.
- Abstract（参考訳）: マルチモーダル大言語モデル (MLLM) は視覚的理解において大きな進歩を遂げているが, 物理的環境と統合された正確な3次元空間推論は依然として困難である。
家具の組み立てには、図式マニュアルからステップレベルの操作を復元するだけでなく、セマンティックアタッチメント関係を6Dのポーズ更新に変換することで、部品が環境や以前に組み立てられたコンポーネントと物理的に対話できるようにする必要がある。
そこで本研究では,手動および物理的に誘導された家具組立のためのゼロショットフレームワークであるAssemStateを提案する。
まず、アンカー誘導境界アセンブリーステートを使用し、手動のページを単一の操作に分解し、アセンブリーツリーを復元する。
次に、逐次的な(SE(3))更新と修正を誘導するために反復的な後状態フィードバック修正を使用し、シミュレーションベースのリリーステストを通じてそれらの物理的妥当性を検証する。
実験では、最強のベースラインと比較して、AssemStateはF1を38.58\%から62.80\%に改善し、ツリーエクサクトマッチは28.24\%から53.92\%に改善した。
243個の部分レベル演算を独立に評価した上で,提案手法の反復改良により,判定対象操作を0から5.3\%に改善し,平均チャンファー距離を5.4111から1.7744に短縮する。
しかし、視覚的にもっともらしい候補のポーズは、衝突、浮動、ミラーオリエンテーションエラー、不完全な座席、不完全な側面のアタッチメントに悩まされている。
これらの結果から,AssemStateは操作構造回復と選択された局所ポーズ指標を改善する一方,MLLMは空間的関係推論に限られていることが示唆された。
関連論文リスト
- Beyond the Parameter Monolith: Reconstructive Memories, Executable Skills, and Residual Assembly for Language Models [1.0152838128195467]
言語モデルシステムは、ひとつの共有パラメータシステムを通じてすべての機能を更新する代わりに、コンテキスト計算、永続ストレージ、正確な実行を分離することができる。
FEM-ASMは有限要素に着想を得た組織であり、文書の状態と決定論的実行可能なスキルが共用言語モデルの状態に型付けされた提案に寄与する。
結果は、記憶、実行、神経調整の分離をサポートし、質問のみの検索における未解決の制限、制限なしの回答生成、エンドツーエンドの効率を識別する。
論文 参考訳（メタデータ） (2026-10-02T20:18:49Z) - AssemblyWorld: Rethinking 3D Assembly with General-Purpose Agents [58.42520609012556]
エージェントがレンダリングされたビューを検査し、供給された剛性部品を操作できるインタラクティブな3D環境であるAmblyWorldを紹介する。
組立WorldBenchを構築し,100の組立タスクを家具,産業組立,破壊組立にまたがる80のオブジェクトにまたがって構成する。
論文 参考訳（メタデータ） (2026-09-30T17:59:14Z) - Agent-Editing World Model: Rethinking World Modeling for LLM Agents [109.62118155342641]
推論と行動が今後のタスク進捗を形作る方法をモデル化したtextbfAgent-Editing World Model (AEWM) を提案する。
私たちは、中級のトレーニングと教師ありの微調整を通じて、検索、ターミナル、ソフトウェアエンジニアリングでAEWMを訓練します。
6つのベンチマークと3つのエージェントバックボーンで、EditActは最強のベースラインで平均スコアを3.2～6.7ポイント改善する。
論文 参考訳（メタデータ） (2026-09-23T17:18:26Z) - φ-RIE: From Photorealistic Reconstruction to Interactive Environments [57.657253059351795]
-RIEは、残りの復元を保ちながら、選択したオブジェクトを移動可能なシミュレータアセットに変換する。
シーン・オブザーバは、結合されたシーン・コンストラクションの証拠を共有した。
50のScanNet++シーンでは、エビデンスベースの選択と登録リトライが20mmのF1と、固定保持時の0.336から0.383に一致した。
論文 参考訳（メタデータ） (2026-09-22T17:59:52Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models [71.59431204970339]
STORMは空間対応のトークン還元フレームワークである。
空間単位上の構造演算に還元を再構成する。
様々なビジョンのMambaバックボーンにまたがって最先端のプルーニング精度を実現する。
論文 参考訳（メタデータ） (2026-06-18T08:31:11Z) - Beyond Spatial Compression: Interface-Centric Generative States for Open-World 3D Structure [55.17771962316751]
現在の3Dトークンは、表現を空間圧縮として扱うが、コンポーネントの所有権とアタッチメントの妥当性は暗黙的に残す。
我々は、トークン化がパッシブ圧縮コードではなく操作状態を構成する、インターフェイス中心の生成状態という別の視点を定式化する。
我々は、この定式化を、C2LT-3D(Component-Conditioned Canonical Local Tokens)でインスタンス化し、表現を標準局所幾何学、パーティション条件付きコンテキスト、およびリレーショナルシーム変数に分解する。
論文 参考訳（メタデータ） (2026-05-11T12:09:28Z) - ASDF: Assembly State Detection Utilizing Late Fusion by Integrating 6D Pose Estimation [5.117781843071097]
医療・産業分野では、効率と安全性を確保するために、組み立てプロセスのガイダンスを提供することが重要である。
その場でのビジュアライゼーションを可能にするため、6次元のポーズ推定を利用して、拡張の正確な位置を特定することができる。
我々は,リアルタイム能動オブジェクト検出フレームワークであるYOLOv8の長所の上に構築し,アセンブリ状態検出と組み合わせて6次元ポーズ推定の課題に対処する。
論文 参考訳（メタデータ） (2024-03-25T03:30:37Z) - PARIS: Part-level Reconstruction and Motion Analysis for Articulated
Objects [17.191728053966873]
本研究は,調音対象に対する同時部分レベル再構成と動きパラメータ推定の課題に対処する。
パートレベルの暗黙的形状と外観モデルを学ぶ自己教師型エンドツーエンドアーキテクチャPARISを提案する。
提案手法は,オブジェクトカテゴリ全体にわたって最適化され,入力として3次元点雲が与えられるベースラインや先行作業よりも優れる。
論文 参考訳（メタデータ） (2023-08-14T18:18:00Z)
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。