Mobilité infinie : Synthèse évolutive haute fidélité d'objets articulés via la génération procédurale

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

March 17, 2025

Auteurs: 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

Résumé

Les objets articulés à grande échelle et de haute qualité sont indispensables pour de multiples tâches liées à l'IA incarnée. La plupart des méthodes existantes pour créer des objets articulés sont soit basées sur les données, soit sur la simulation, ce qui les limite par l'échelle et la qualité des données d'entraînement ou par la fidélité et le travail laborieux de la simulation. Dans cet article, nous proposons Infinite Mobility, une nouvelle méthode pour synthétiser des objets articulés de haute fidélité grâce à la génération procédurale. Une étude utilisateur et une évaluation quantitative démontrent que notre méthode peut produire des résultats qui surpassent les méthodes actuelles de pointe et sont comparables aux ensembles de données annotés par des humains en termes de propriétés physiques et de qualité de maillage. De plus, nous montrons que nos données synthétiques peuvent être utilisées comme données d'entraînement pour des modèles génératifs, permettant ainsi une montée en puissance à l'étape suivante. Le code est disponible à l'adresse suivante : 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