論文の概要: Automatic assembly modeling through attention-based assembly feature mate prediction and assembly feature pattern recognition
- arxiv url: http://arxiv.org/abs/2610.14633v1
- Date: Sat, 10 Oct 2026 06:30:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 12:33:23.848797
- Title: Automatic assembly modeling through attention-based assembly feature mate prediction and assembly feature pattern recognition
- Title（参考訳）: 注目型組立特徴量予測と組立特徴量パターン認識による自動組立モデリング
- Abstract要約: 組立特徴量予測に基づくデータ駆動型フレームワークを提案する。
フレームワークは、アンアセンブリされたB-Rep部品から自動アセンブリモデリングを実行する。
本フレームワークは,6組比較セットで74.79%,拡張テストセットで64.09%,組比較セットで74.79%を達成している。
- 参考スコア（独自算出の注目度）: 0.29165586612027233
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Assembly modeling plays an important role in constructing product models, yet it is still mainly performed via interactive operations that are experience-dependent and labor-intensive. Data-driven strategies hold promise for automating this process; however, existing approaches either predict poses that cannot directly generate editable B-Rep assembly constraints or require prescribed part pairs or predefined assembly faces. To reduce the large candidate space of constraint prediction without predefined assembly faces, we propose a data-driven framework based on assembly feature mate prediction. The framework performs automatic assembly modeling from unassembled B-Rep parts, using assembly features to group the geometric entities of local mating interfaces and restrict candidate formation. Given the lack of suitable assembly feature annotations in existing datasets, we construct a large-scale dataset through an automatic annotation pipeline. Using the annotated dataset, we train an attention-based network to predict assembly feature mates, with Engineering Compatibility Fusion (ECF) incorporating explicit engineering compatibility into learned matching scores. To improve the accuracy of automatic assembly modeling, we use assembly feature patterns (AFPs) to guide the matching process. Finally, a post-processing search selects assembly feature mate and AFP mate candidates, whose associated constraints are generated and solved to complete assembly modeling. Experimental results show that the framework achieves assembly constraint accuracies of 74.79% on the six-assembly comparison set and 64.09% on the extended test set of 16 assemblies, which includes the comparison set. With ground-truth face labels supplied as additional input, the corresponding accuracies increase to 81.78% and 80.93%, respectively.
- Abstract（参考訳）: 組み立てモデリングは、製品モデルの構築において重要な役割を担いますが、主に経験に依存し、労働集約的なインタラクティブな操作を通して行われます。
データ駆動戦略は、このプロセスを自動化することを約束するが、既存のアプローチでは、編集可能なB-Repアセンブリの制約を直接生成できないポーズを予測したり、所定の部分ペアや事前定義されたアセンブリの面を必要とする。
本研究では,事前定義された組立面を使わずに制約予測の候補空間を大きく減らすために,組立特徴量予測に基づくデータ駆動型フレームワークを提案する。
組立されていないB-Rep部品からの自動組立モデリングを行い、組立機能を用いて、局所的交配インタフェースの幾何学的実体をグループ化し、候補形成を制限する。
既存のデータセットに適切なアセンブリ機能アノテーションがないため、自動アノテーションパイプラインを通じて大規模なデータセットを構築します。
アノテーション付きデータセットを使用して、アテンションベースのネットワークをトレーニングして、学習されたマッチングスコアに明示的なエンジニアリング互換性を組み込んだ、アセンブリ機能メイトを予測する。
自動アセンブリモデリングの精度を向上させるために,アセンブリ特徴パターン(AFP)を用いてマッチングプロセスのガイドを行う。
最後に、処理後検索は、関連する制約を生成して解決し、アセンブリモデリングを完了するアセンブリ特徴候補とAFP候補を選択する。
実験の結果,6組比較セットで74.79%,16組比較セットで64.09%,組比較セットを含む拡張テストセットで74.09%を達成できた。
付加的な入力として地表面ラベルが提供されると、対応するアキュラシーはそれぞれ81.78%と80.93%に増加する。
関連論文リスト
- End-to-End Autonomous Generation of Human Assembly Plans [3.005158583027536]
我々は、アセンブリー(DfA)の原則の設計を、アセンブリープランを生成するための包含されたエンドツーエンドのアプローチにエンコードする。
このアプローチでは、メッシュアセンブリのみを使用して、ステップバイステップのアセンブリマニュアルか、構造化された障害レポートを生成する。
提案されたアプローチとオープンソースコードは、製造計画の作成を迅速化しようとするエンジニアまたはAIエージェントによって使用することができる。
論文 参考訳（メタデータ） (2026-10-07T10:01:01Z) - 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) - APEX: An Extensible Model for Agent-Assisted Production Scheduling [0.0]
APEXは、汎用モデルとハイブリッド多目的探索を中心に構築されたプロダクションスケジューリングフレームワークである。
NSGA-II, SPEA2, MOEA/D, SMS-EMOAの8つのAPEX構成をベンチマークする。
別個の合成ワークフロー研究では、OpenAIのGPT-6-astraを人間のプランナーとアルゴリズムコアの相互作用層として使用している。
論文 参考訳（メタデータ） (2026-09-27T10:24:59Z) - PVRA: A Pointwise Key-point Voting Framework for Robotic Assembly [0.0]
動作可能な出力を推論するためのアセンブリ依存を学習するための3Dキーポイントベースのモジュール学習フレームワークを提案する。
我々は、アセンブリポーズ推定データセット上でトレーニングされたネットワークをトレーニングし、評価し、オブジェクト中心のベースラインと比較する。
論文 参考訳（メタデータ） (2026-08-20T12:43:07Z) - A Unified Backbone--Expert Framework with Relation-Token and Residual--Classifier Interfaces for Automatic Modulation Recognition [1.547549252134621]
本稿では、共通の畳み込み状態空間のバックボーンと2つの特殊なインターフェースを持つ統一されたバックボーン・エキスパート・フレームワークを提案する。
我々のフレームワークは、RML2016.10bで67.28 pm 0.14%、HisarMod 2019で87.19 pm 0.77%という、全体的な平均精度を実現しています。
論文 参考訳（メタデータ） (2026-08-15T10:26:42Z) - Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。
ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。
MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-05T07:02:50Z) - UniToolCall: Unifying Tool-Use Representation, Data, and Evaluation for LLM Agents [22.52508596251479]
構築とデータセット生成から評価に至るまで,パイプライン全体を標準化するツール学習用統合フレームワークであるUniToolCallを提案する。
我々は、7つの公開ベンチマークを、関数呼び出し、ターン、会話のレベルできめ細かい評価を施した、クエリ-Action--Observation-Answer (QAOA) 表現に変換する。
Anchoror-Heavy Hybrid-20では、1ターンのStrict Precisionを93.0%達成し、GPT、Gemini、Claudeといった商用モデルを上回っている。
論文 参考訳（メタデータ） (2026-04-13T14:43:47Z) - LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。
この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
論文 参考訳（メタデータ） (2024-05-23T11:10:32Z) - Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
コンポーネントモデリングというタスクを導入します。
コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。
コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
論文 参考訳（メタデータ） (2024-04-17T16:28:08Z) - Deep Model Reassembly [60.6531819328247]
我々はDeep Model Reassembly(DeRy)と呼ばれる新しい知識伝達タスクを探索する。
DeRyの目標は、まず各モデルを固有のビルディングブロックに分割し、それから派生したブロックを選択的に再組み立てて、カスタマイズされたネットワークを生成することである。
ImageNetでは、最高の再組み立てモデルは微調整なしで78.6%のトップ1の精度を実現している。
論文 参考訳（メタデータ） (2022-10-24T10:16:13Z) - Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。
我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
論文 参考訳（メタデータ） (2020-10-10T14:03:20Z)
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。