Oneindige Mobiliteit: Schaalbare Hoogwaardige Synthese van Gearticuleerde Objecten via Procedurele Generatie

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

Samenvatting

Grootschalige, gearticuleerde objecten van hoge kwaliteit zijn dringend nodig voor meerdere taken gerelateerd aan embodied AI. De meeste bestaande methoden voor het creëren van gearticuleerde objecten zijn ofwel data-driven of simulatiegebaseerd, wat beperkt wordt door de schaal en kwaliteit van de trainingsdata of de nauwkeurigheid en intensieve arbeid van de simulatie. In dit artikel stellen we Infinite Mobility voor, een nieuwe methode voor het synthetiseren van hoogwaardige gearticuleerde objecten via procedurele generatie. Gebruikersstudies en kwantitatieve evaluatie tonen aan dat onze methode resultaten kan produceren die de huidige state-of-the-art methoden overtreffen en vergelijkbaar zijn met door mensen geannoteerde datasets in zowel fysieke eigenschappen als meshkwaliteit. Bovendien laten we zien dat onze synthetische data gebruikt kan worden als trainingsdata voor generatieve modellen, wat de volgende stap naar opschaling mogelijk maakt. De code is beschikbaar op 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