日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2505.11108

シーン文脈に基づく個人適応型ロボット物体再配置

Personalized Robotic Object Rearrangement from Scene Context

シェア:XThreadsFacebookLINEはてブBluesky

ユーザーの整理好みをシーン文脈から学習し、部分的に配置された環境で物体を再配置するベンチマークPARSECとLLMベースのモデルContextSortLMを提案。

詳しい要約

1. どんなもの?

- 家庭用ロボット向けの物体再配置(object rearrangement)タスクを扱う研究 - 明示的な指示なしに、観測したシーン文脈からユーザの整理選好を学習し、部分的に整頓された環境に物体を配置する - 新規ベンチマーク PARSEC を提案 - 72人のユーザからクラウドソースした110K件の再配置例 - 93物体カテゴリ、15環境を含む - LLMベースの個人化再配置モデル ContextSortLM を提案

2. 先行研究と比べてどこがすごい?

- 従来の再配置研究に対し、明示指示なしの個人化・部分的整頓環境・未見物体/新環境への汎化を同時に扱う点が新しい - 既存の個人化再配置手法と比較評価を実施 - 複数のシーン文脈源を活用するモデルが単一文脈源のみのモデルより高性能であることを示す - ContextSortLM は対象ユーザの配置再現で他モデルを上回り、3環境カテゴリすべてでオンライン評価者による上位2位に入る - 環境カテゴリ間の環境意味論モデリングの難しさを明示

3. 技術・手法の肝は?

- PARSEC: 110K例・72ユーザ・93カテゴリ・15環境からなるクラウドソースデータセットに基づくベンチマーク - ContextSortLM: LLMベースの個人化再配置モデル - ユーザ選好を柔軟に扱う - 複数の有効な配置位置を持つ物体を明示的に考慮 - 部分的に整頓された環境への配置を扱う - 複数のシーン文脈源を活用する設計が性能に寄与

4. どうやって有効だと検証した?

- PARSEC ベンチマーク上で ContextSortLM と既存の個人化再配置手法を評価 - 108人のオンライン評価者によるクラウドソース評価を実施 - ユーザ選好との整合性に基づきモデル予測をランキング - 結果: 複数文脈源活用モデルが単一文脈源モデルより良好 - ContextSortLM は対象ユーザの配置再現で他モデルを上回り、3環境カテゴリすべてで上位2位

5. 議論はある?

- 環境カテゴリ間で環境意味論(environment semantics)をモデリングする難しさが評価で浮き彫りに - 今後の研究方向への推奨を提示 - 具体的な議論内容の詳細は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている既存の個人化再配置手法(personalized rearrangement approaches) - LLMベースのモデル(ContextSortLM の比較対象) - シーン文脈(scene context)を扱う再配置研究 - 具体的な論文名は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Kartik Ramachandruni, Sonia Chernova

分類: cs.RO, cs.AI

原文アブストラクト

Object rearrangement is a key task for household robots requiring personalization without explicit instructions, meaningful object placement in environments occupied with objects, and generalization to unseen objects and new environments. To facilitate research addressing these challenges, we introduce PARSEC, an object rearrangement benchmark for learning user organizational preferences from observed scene context to place objects in a partially arranged environment. PARSEC is built upon a novel dataset of 110K rearrangement examples crowdsourced from 72 users, featuring 93 object categories and 15 environments. To better align with real-world organizational habits, we propose ContextSortLM, an LLM-based personalized rearrangement model that handles flexible user preferences by explicitly accounting for objects with multiple valid placement locations when placing items in partially arranged environments. We evaluate ContextSortLM and existing personalized rearrangement approaches on the PARSEC benchmark and complement these findings with a crowdsourced evaluation of 108 online raters ranking model predictions based on alignment with user preferences. Our results indicate that personalized rearrangement models leveraging multiple scene context sources perform better than models relying on a single context source. Moreover, ContextSortLM outperforms other models in placing objects to replicate the target user's arrangement and ranks among the top two in all three environment categories, as rated by online evaluators. Importantly, our evaluation highlights challenges associated with modeling environment semantics across different environment categories and provides recommendations for future work.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI