日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

シーングラフarXiv:2512.24845

ArtiSG: 人間の実演による関節物体操作を用いた機能的3Dシーングラフ構築

ArtiSG: Functional 3D Scene Graph Construction via Human-demonstrated Articulated Objects Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

人間の操作実演から6自由度軌跡と関節軸を推定し、開語彙の階層的3Dシーングラフに組み込むことで、隠れた取っ手などの機能要素も発見できるロボット記憶を構築するフレームワーク。

詳しい要約

1. どんなもの?

- 本論文は ArtiSG というフレームワークを提案する - 人間の実演(demonstration)を構造化されたロボティックメモリに符号化し、functional 3D scene graph を構築する - 対象は articulated objects(関節物体)を含む実環境 - 静的な要素検出だけでなく、操作に必要な kinematic 情報をグラフに埋め込む - 言語指示による manipulation タスクの誘導に使えるロボットメモリとして機能する

2. 先行研究と比べてどこがすごい?

- 既存の functional scene graph は主に静的な要素検出に焦点を当て、操作可能な kinematic 情報を欠く - 静的な観測から articulation 機構を推定する手法は視覚的曖昧さに弱い - 状態変化からパラメータを推定する手法は固定カメラや遮蔽のない視界など制約された設定に依存 - 純粋な視覚認識では隠れたハンドルなど目立たない functional 要素を見逃しやすい - ArtiSG は人間の実演と物理的相互作用データを活用し、camera ego-motion 下でも articulation 軸を推定し、暗黙的な要素を発見できる点が異なる

3. 技術・手法の肝は?

- 可搬なハードウェア構成による堅牢なデータ収集パイプラインを利用 - 6-DoF の manipulation 軌跡を正確に追跡 - camera ego-motion があっても articulation 軸を推定 - 得られた kinematic 事前情報を階層的で open-vocabulary なグラフに統合 - 物理的相互作用データを用いて、隠れたハンドルなど暗黙的な functional 要素を発見 - articulated objects の動き方をモデル化しつつ、操作に資する構造的メモリを構築

4. どうやって有効だと検証した?

- 実世界での広範な実験を実施 - functional 要素の recall と articulation 推定の precision において、baselines を大きく上回ることを示す - 構築したグラフが信頼できるロボティックメモリとして機能し、多様な articulated objects を含む実環境で言語指示の manipulation タスクを効果的に誘導できることを示す

5. 議論はある?

- 要旨からは不明 - 具体的な限界、失敗事例、計算コスト、データ収集の負担、一般化可能性についての議論は要旨に記載がない

6. 次に読むべき論文は?

- 要旨で明示的に参照・比較されている個別研究名は記載がない - 関連手法として、静的な観測からの articulation 推定、状態変化に基づくパラメータ推定、functional 3D scene graph 構築の既存研究を挙げる - 同分野の定番として 3D scene graph、open-vocabulary 認識、articulated object manipulation に関する研究を次に読む候補とする

※ 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: Qiuyi Gu, Yuze Sheng, Jincheng Yu, Jiahao Tang, Xiaolong Shan, Zhaoyang Shen, Tinghao Yi, Xiaodan Liang, Xinlei Chen, Yu Wang

分類: cs.RO

原文アブストラクト

3D scene graphs have empowered robots with semantic understanding for navigation and planning. However, current functional scene graphs primarily focus on static element detection, lacking the actionable kinematic information required for physical manipulation, particularly regarding articulated objects. Existing approaches for inferring articulation mechanisms from static observations are prone to visual ambiguity, while methods that estimate parameters from state changes typically rely on constrained settings such as fixed cameras and unobstructed views. Furthermore, inconspicuous functional elements like hidden handles are frequently missed by pure visual perception. To bridge this gap, we present ArtiSG, a framework that constructs functional 3D scene graphs by encoding human demonstrations into structured robotic memory. Our approach leverages a robust data collection pipeline utilizing a portable hardware setup to accurately track 6-DoF manipulation trajectories and estimate articulation axes, even under camera ego-motion. By integrating these kinematic priors into a hierarchical, open-vocabulary graph, our system not only models how articulated objects move but also utilizes physical interaction data to discover implicit elements. Extensive real-world experiments demonstrate that ArtiSG significantly outperforms baselines in functional element recall and articulation estimation precision. Moreover, we show that the constructed graph serves as a reliable robotic memory, effectively guiding robots to perform language-directed manipulation tasks in real-world environments containing diverse articulated objects.

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. 2GXO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
  3. 3newmo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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI