ScanBot: 具現化ロボットシステムにおけるインテリジェント表面走査の実現に向けて

ScanBot: Towards Intelligent Surface Scanning in Embodied Robotic Systems

May 22, 2025

著者: Zhiling Chen, Yang Zhang, Fardin Jalil Piran, Qianyu Zhou, Jiong Tang, Farhad Imani

cs.AI

要旨

本論文では、ロボットシステムにおける指示条件付き高精度表面スキャンのための新規データセット「ScanBot」を紹介する。既存のロボット学習データセットが把持、ナビゲーション、対話などの粗いタスクに焦点を当てているのに対し、ScanBotは産業用レーザースキャンの高精度要求を対象とし、サブミリメートルレベルの経路連続性とパラメータ安定性が重要視される。本データセットは、12種類の多様な物体と6つのタスクタイプ（全面スキャン、幾何学的に焦点を当てた領域、空間的に参照される部品、機能的に関連する構造、欠陥検査、比較分析）にわたってロボットが実行したレーザースキャン軌跡をカバーしている。各スキャンは自然言語指示に基づいて行われ、同期されたRGB、深度、レーザープロファイル、およびロボットの姿勢と関節状態がペアリングされている。近年の進展にもかかわらず、既存の視覚言語行動（VLA）モデルは、細粒度の指示と現実世界の精度要求の下で安定したスキャン軌跡を生成することに依然として失敗している。この制約を調査するため、我々は多様なマルチモーダル大規模言語モデル（MLLM）を完全な知覚-計画-実行ループにわたってベンチマークし、現実的な制約下での指示追従における持続的な課題を明らかにした。

English

We introduce ScanBot, a novel dataset designed for instruction-conditioned, high-precision surface scanning in robotic systems. In contrast to existing robot learning datasets that focus on coarse tasks such as grasping, navigation, or dialogue, ScanBot targets the high-precision demands of industrial laser scanning, where sub-millimeter path continuity and parameter stability are critical. The dataset covers laser scanning trajectories executed by a robot across 12 diverse objects and 6 task types, including full-surface scans, geometry-focused regions, spatially referenced parts, functionally relevant structures, defect inspection, and comparative analysis. Each scan is guided by natural language instructions and paired with synchronized RGB, depth, and laser profiles, as well as robot pose and joint states. Despite recent progress, existing vision-language action (VLA) models still fail to generate stable scanning trajectories under fine-grained instructions and real-world precision demands. To investigate this limitation, we benchmark a range of multimodal large language models (MLLMs) across the full perception-planning-execution loop, revealing persistent challenges in instruction-following under realistic constraints.