Unendliche Mobilität: Skalierbare Hochfidelitätssynthese von artikulierten Objekten durch prozedurale Generierung

Infinite Mobility: Scalable High-Fidelity Synthesis of Articulated Objects via Procedural Generation

March 17, 2025

Autoren: Xinyu Lian, Zichao Yu, Ruiming Liang, Yitong Wang, Li Ray Luo, Kaixu Chen, Yuanzhen Zhou, Qihong Tang, Xudong Xu, Zhaoyang Lyu, Bo Dai, Jiangmiao Pang

cs.AI

Zusammenfassung

Großformatige, hochwertige artikulierte Objekte werden dringend für zahlreiche Aufgaben im Bereich der verkörperten KI benötigt. Die meisten bestehenden Methoden zur Erstellung artikulierter Objekte sind entweder datengetrieben oder simulationsbasiert, was durch den Umfang und die Qualität der Trainingsdaten oder die Genauigkeit und den hohen Arbeitsaufwand der Simulation begrenzt ist. In diesem Artikel stellen wir Infinite Mobility vor, eine neuartige Methode zur Synthese hochwertiger artikulierter Objekte durch prozedurale Generierung. Benutzerstudien und quantitative Auswertungen zeigen, dass unsere Methode Ergebnisse liefern kann, die den aktuellen Stand der Technik übertreffen und in Bezug auf physikalische Eigenschaften und Netzqualität mit von Menschen annotierten Datensätzen vergleichbar sind. Darüber hinaus demonstrieren wir, dass unsere synthetischen Daten als Trainingsdaten für generative Modelle verwendet werden können, was eine weitere Skalierung ermöglicht. Der Code ist verfügbar unter https://github.com/Intern-Nexus/Infinite-Mobility.

English

Large-scale articulated objects with high quality are desperately needed for multiple tasks related to embodied AI. Most existing methods for creating articulated objects are either data-driven or simulation based, which are limited by the scale and quality of the training data or the fidelity and heavy labour of the simulation. In this paper, we propose Infinite Mobility, a novel method for synthesizing high-fidelity articulated objects through procedural generation. User study and quantitative evaluation demonstrate that our method can produce results that excel current state-of-the-art methods and are comparable to human-annotated datasets in both physics property and mesh quality. Furthermore, we show that our synthetic data can be used as training data for generative models, enabling next-step scaling up. Code is available at https://github.com/Intern-Nexus/Infinite-Mobility