論文の概要: SAR: Learning Global Item-Space Matching and Geometry-Aware Placement Ranking for Buffered Online 3D Bin Packing

• arxiv url: http://arxiv.org/abs/2610.25795v1
• Date: Mon, 19 Oct 2026 05:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 11:26:17.266467
• Title: SAR: Learning Global Item-Space Matching and Geometry-Aware Placement Ranking for Buffered Online 3D Bin Packing
• Title（参考訳）: SAR: バッファリングされたオンライン3Dビンパッキングのためのグローバルな項目空間マッチングと幾何学的配置ランキングの学習
• Abstract要約: 有界バッファによるオンライン3Dビンパッキングは、将来の到着に関する限られた知識の下で、不可逆なアイテム選択と配置決定を必要とする。 本研究では,グローバルなアイテム空間マッチングと幾何認識配置ランキングを協調する学習ベースのフレームワークであるSAR(Spatial Affordance Retrieval)を提案する。 Random、JD、SFのデータセットでは、最高のSAR変種は、最強評価のオンラインベースラインよりも0.96-4.20ポイント、ノンバッファ設定で利用率を改善している。
• 参考スコア（独自算出の注目度）: 7.958716947545889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online 3D bin packing with a bounded buffer requires irreversible item-selection and placement decisions under limited knowledge of future arrivals. Feasibility alone is insufficient, as feasible actions can produce different residual-space structures and subsequent packing opportunities. A central architectural question is how to allocate spatial reasoning between item selection and placement evaluation. We propose Spatial Affordance Retrieval (SAR), a novel learning-based framework that coordinates global item-space matching with geometry-aware placement ranking. A voxel-token spatial encoder represents 3D container occupancy, enabling a picker to match buffered items to the residual space without requiring item-specific placement proposals as inputs. After item selection, a loader ranks feasible rotation-position candidates using candidate geometry, local geometric features (LGF), and inter-candidate comparison, without directly accessing global spatial tokens. The feasible candidate set connects the two stages, which are jointly optimized under a shared long-horizon packing return. On the Random, JD, and SF datasets, the best SAR variants improve utilization over the strongest evaluated online baselines by 0.96-4.20 percentage points under the no-buffer setting (K=1). With a buffer (K=5), the best utilization rates across SAR variants reach 93.55%, 91.04%, and 90.41%, respectively. Ablations support the complementary roles of global item-space matching and geometry-aware placement evaluation, counterfactual analysis suggests that learned item selection favors greater future packing potential, and experiments demonstrate compatibility with multiple candidate generators.
• Abstract（参考訳）: 有界バッファによるオンライン3Dビンパッキングは、将来の到着に関する限られた知識の下で、不可逆なアイテム選択と配置決定を必要とする。 実現可能性だけでは不十分であり、実現可能な行動は異なる残余空間構造とその後の荷造りの機会を生み出すことができる。 中心的なアーキテクチャ上の疑問は、アイテムの選択と配置評価の間の空間的推論をどのように割り当てるかである。 本研究では,グローバルなアイテム空間マッチングと幾何認識配置ランキングを協調する新しい学習ベースフレームワークであるSAR(Spatial Affordance Retrieval)を提案する。 ボクセルトーケン空間エンコーダは、3Dコンテナ占有度を表し、ピッカーは、アイテム固有の配置提案を入力として必要とせず、バッファされたアイテムを残余空間にマッチさせることができる。 項目選択後、ローダは、グローバル空間トークンに直接アクセスすることなく、候補幾何学、局所幾何学的特徴(LGF)、および候補間比較を用いて、実現可能な回転配置候補をランク付けする。 実現可能な候補セットは2つのステージを接続し、これは共有されたロングホライゾンパッキングリターンの下で共同最適化される。 Random、JD、SFデータセットでは、最高のSAR変種は、No-buffer設定(K=1)の下で、最も評価の高いオンラインベースラインよりも0.96-4.20ポイントの割合で利用率を改善する。 バッファー(K=5)では、SARの変種で最高の利用率はそれぞれ93.55%、91.04%、90.41%に達する。 アブレーションは、グローバルなアイテム空間マッチングと幾何を考慮した配置評価の補完的な役割を担い、反ファクト分析は、学習したアイテムの選択がより将来のパッケージ化の可能性を支持することを示唆し、実験は複数の候補ジェネレータとの互換性を実証する。

関連論文リスト

• PGL-3D: Towards Progressive Geometric Learning for 3D Visual Query Localization [60.842562471209995]
  3DVQLは、RGBポイントクラウドシーケンスにおけるクエリ対象の最新の連続的な発生を検索する。 応答フレーム毎に9-DoFキューブを予測します。 本稿では,予測-選択-再定義-予測フレームワークである3DVQL(PGL-3D)について紹介する。
  論文  参考訳（メタデータ） (2026-09-27T13:29:51Z)
• Rethinking 3D Segmentation from Individual LiDAR Scans: Incidence-Aware Sampling on the SIP Benchmark [2.714583452862024]
  本研究では,個別LiDARスキャンにおける入射型サンプリング手法を提案する。 この方法は、ボクセルベースの選択のために幾何正規化された多様体空間を指し示す。 Point TransformerとPointNeXtによる実験では、解像度平均セグメンテーション性能が改善された。
  論文  参考訳（メタデータ） (2026-08-07T20:42:43Z)
• Operationally Guided Placement-Aware Learning for Industrial Online 3D Bin Packing [2.3322477552758234]
  OPALは、産業用オンライン3D-BPPのための運用ガイド付き配置認識学習フレームワークである。 OPALは平均空間利用率0.49で、運用上の指導を受けた候補生成から15.1%、学習されたランキングから6.3%の改善がある。
  論文  参考訳（メタデータ） (2026-07-30T14:16:42Z)
• SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
  事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。 データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。 さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
  論文  参考訳（メタデータ） (2026-07-02T06:56:29Z)
• Learning 3D Affordances for Blade Insertion in Cluttered Stowing [7.879149962276645]
  VulcanVoxelは人間のアノテーションを使わずに1万件の実際の倉庫のストーエピソードをトレーニングし、最高のポーズベースのベースラインでは0.89対0.71のトップ5のカバレッジを達成した。 実羽根挿入サイクルのデータセットを公開し,RGB-D観測でシーン,空間,マルチアームで撮影した。
  論文  参考訳（メタデータ） (2026-06-25T22:09:56Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing [59.73939718087177]
  シングルエンコーダの視覚言語モデルは、統合ベクトル空間にインターリーブされた入力を埋め込むために対照的に訓練された。 VLM2GeoVecは、領域レベルの空間推論とスケーラブルな検索を統合し、リモートセンシングにおける凝集性多モード解析を可能にする。
  論文  参考訳（メタデータ） (2025-12-12T11:39:35Z)
• 3dSAGER: Geospatial Entity Resolution over 3D Objects (Technical Report) [7.378893412842889]
  3dSAGERは3Dオブジェクト上の空間的エンティティ解決のためのエンドツーエンドパイプラインである。 本稿では,マッチングペアの複雑な幾何学的特徴をキャプチャする,空間参照非依存のデファクトチュール化機構を提案する。 また、訓練されたモデルを活用して、ハイリコール候補セットを効率的に生成する、軽量で解釈可能な新しいブロッキング手法であるBKAFIを提案する。
  論文  参考訳（メタデータ） (2025-11-09T09:35:45Z)
• SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration [32.87420625579577]
  本稿では,2次空間整合性(SC2)尺度を提案する。 この測定に基づいて,我々の登録パイプラインは,初期対応から信頼性の高い種子を見つけるために,グローバルスペクトル技術を用いている。 提案手法では,サンプリングを少なくすることで,一定の数の外れ値のないコンセンサス集合を見つけることが保証される。
  論文  参考訳（メタデータ） (2022-03-28T02:41:28Z)
• Learning to Predict Context-adaptive Convolution for Semantic Segmentation [66.27139797427147]
  長距離コンテキスト情報は、高性能なセマンティックセグメンテーションを実現するために不可欠である。 空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。 当社のCaC-Netは,3つの公開データセット上でのセグメンテーション性能に優れています。
  論文  参考訳（メタデータ） (2020-04-17T13:09:17Z)

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。