論文の概要: RFW-A: Agentic Procedural Generation of 400K Articulated Assets over 500 Categories

• arxiv url: http://arxiv.org/abs/2610.40333v1
• Date: Thu, 29 Oct 2026 15:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:32:01.306229
• Title: RFW-A: Agentic Procedural Generation of 400K Articulated Assets over 500 Categories
• Title（参考訳）: RFW-A:500カテゴリ以上の400KArticulated Assetのエージェント手続き生成
• Abstract要約: 高品質な調音資産は、知覚、シミュレーション、操作に不可欠である。 最近のエージェントシステムは、プログラム合成によって資産構築を自動化するが、新しい資産ごとにコストのかかる推論と改良を繰り返している。 RFW-Aについて述べる。
• 参考スコア（独自算出の注目度）: 30.344401453914525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality articulated assets are essential for embodied perception, simulation, and manipulation, yet constructing them at scale remains difficult. Manual annotation and procedural modeling require substantial human effort. Recent agentic systems automate asset construction through program synthesis, but repeat costly reasoning and refinement for every new asset. Our key observation is that assets within a category can share construction logic despite variations in structure and appearance. Agentic synthesis and procedural generation are therefore complementary: agents can construct reusable programs, while procedural execution reuses the resulting logic across many samples. We therefore present RFW-A, which combines the two in a new articulated-asset generation paradigm. Starting from existing articulated programs, RFW-A organizes reusable components and their dependencies into category-level generators. Agents test and refine these generators across sampled configurations and motion states. Once constructed and validated, the generators produce diverse assets through procedural execution with no further model calls or token charges. The estimated API cost of generator authoring averages $10.62, amortizing to $0.05 per asset over 200 assets, versus $1.24 for the sampled per-asset agentic synthesis baseline. Using RFW-A, we built RFW-A-400K, containing over 400K sim-ready articulated assets across more than 500 categories. Experiments show high structural and kinematic validity and stable execution across physics simulators. Beyond asset validity, training with RFW-A-400K improves part-level articulation estimation on seen and unseen categories, while policies trained in simulation with retrieved and program-edited assets transfer zero-shot to real articulated objects.
• Abstract（参考訳）: 高品質な調音資産は、知覚、シミュレーション、操作に不可欠であるが、大規模に構築することは困難である。 手動のアノテーションと手続き的モデリングは、かなりの人間の努力を必要とする。 最近のエージェントシステムは、プログラム合成によって資産構築を自動化するが、新しい資産ごとにコストのかかる推論と改良を繰り返している。 私たちのキーとなる観察は、カテゴリー内の資産は、構造や外観の変化にもかかわらず、構成論理を共有できるということです。 エージェントは再利用可能なプログラムを構築でき、手続き実行は多くのサンプルにまたがって論理を再利用できる。 そこで我々は,これら2つの組み合わせを新たな調音アセット生成パラダイムとして提案するRFW-Aを提案する。 RFW-Aは既存のプログラムから始まり、再利用可能なコンポーネントとその依存関係をカテゴリレベルのジェネレータにまとめる。 エージェントは、これらのジェネレータをサンプル設定と動作状態でテストし、洗練する。 一度構築され、検証されると、ジェネレータは、さらなるモデルコールやトークンチャージなしで手続き実行を通じて多様な資産を生成する。 ジェネレータオーサリングのAPIコストは平均10.62ドルであり、200資産以上の資産当たり0.05ドルと推定されている。 RFW-Aを用いたRFW-A-400Kは,500以上のカテゴリにまたがる400K以上のシミュレート・アセットを含む。 実験は、物理シミュレーターにおける高い構造的および運動論的妥当性と安定した実行を示す。 RFW-A-400Kによるトレーニングは、アセットの妥当性の他に、見知らぬカテゴリーにおける部分レベルの調音推定を改善する一方、検索およびプログラム編集されたアセットによるシミュレーションで訓練されたポリシーは、ゼロショットを実際の調音オブジェクトに転送する。

関連論文リスト

• Awomo-SimDataEngine: Agentic Simulation-ReadyWorld Generation [22.07412872304806]
  本稿では,アセットとシーン生成をロボットのデモ合成に結びつけるエージェントシステムであるtextbfAwomo-SimDataEngineを提案する。 Unravelnativeは画像から編集可能なシーンを再構築し、SimForgeはテキストからシングルルームとマルチルーム環境を構築する。 PolicyForgeは、バリデーションされた世界をタスクとロボットエンボディメントにバインドして、再生可能なデモを生成する。
  論文  参考訳（メタデータ） (2026-10-01T08:38:29Z)
• RoboCousin: Build Your Own Simulation Playground for Robust Bimanual Robotic Manipulation [16.581929671943325]
  双方向操作ポリシーは、大規模で多様なトレーニングデータセットを必要とする。 既存のパイプラインは通常、クローズドアセットライブラリと事前に定義されたシーン内で動作します。 本稿ではシミュレーションベースのデータ生成プラットフォームであるRoboCousinを紹介する。
  論文  参考訳（メタデータ） (2026-09-08T07:13:07Z)
• GIF: Agentic Generation of Interactive and Functional Object Compositions for Robot Learning [15.060587346990792]
  本稿では,対話型および関数型オブジェクト合成のためのエージェント生成フレームワークであるGIFを紹介する。 GIFは、アセット品質と関係マッチングの両方を改善し、衝突率を1%以下に下げる。 我々は政策学習のためのデータを合成し、シミュレーションと実世界の展開の両方において多様性のスケーリングを明らかにする。
  論文  参考訳（メタデータ） (2026-09-05T06:36:20Z)
• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• Articraft: An Agentic System for Scalable Articulated 3D Asset Generation [79.1741181153232]
  明瞭な3Dオブジェクトを理解するための学習のボトルネックは、大規模で多様なデータセットの欠如である。 我々は,大規模言語モデル(LLM)を活用して,大規模に音響資産を生成することを提案する。 そして、このようなプログラムを自動で作成する新しいエージェントシステムArticraftを導入する。
  論文  参考訳（メタデータ） (2026-05-14T17:59:18Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• STORM: Efficient Stochastic Transformer based World Models for Reinforcement Learning [82.03481509373037]
  近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。 本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。 Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
  論文  参考訳（メタデータ） (2023-10-14T16:42:02Z)

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。