AssemblyWorld：汎用エージェントによる3D組立の再考

- 3D assembly を general-purpose agents が visual interaction で実行できるか問う研究。 - AssemblyWorld: エージェントが rendered views を観察し rigid parts を操作する interactive 3D environment。 - 入力は images や assembly manuals、評価は幾何学的。 - AssemblyWorldBench: 80 objects・100 tasks（furniture, industrial assembly, fracture reassembly）。 - 8 agent systems を評価。

- 従来の assembly 研究は専用 fine-tuning や mesh 直接アクセスが前提。 - 本研究は pretrained general-purpose agents を追加学習なしで用いる点が新しい。 - 2D views のみで part geometry を知覚し、mesh vertices/faces に直接触れない設定。 - 異なる agent systems を同一環境で比較可能にした。

- interactive 3D environment で rendered views を観察し rigid parts を操作。 - 画像または assembly manuals をガイドとして利用可能。 - 知覚は 2D views 経由、評価は resulting assemblies の幾何学的評価。 - AssemblyWorldBench で 100 tasks / 80 objects を用意。 - 詳細な手法は要旨からは不明。

- 8 agent systems を AssemblyWorldBench で評価。 - 最強システムは part accuracy 80.9%、complete-assembly success 59.4%。 - open-source systems は closed-source peers より実行信頼性・組立精度で大幅に劣る。 - visual references、interaction trajectories、failures を分析。 - エージェントが組立を修正しつつ残差 positioning errors を残すことを示した。

- 近似構造回復と精密再構成のギャップを特徴づける。 - エージェントは組立を改訂するが residual positioning errors が残る。 - open-source と closed-source の性能差が議論点。 - 具体的な限界や今後の課題は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として 3D assembly、robot assembly、vision-language-action agents、interactive perception に関する研究が挙げられる。 - 具体的な論文名は要旨からは不明。