arXiv cs.AI· Xiong Yang, Junkun Hao, Zijian Xiao, Zipeng Ye, Yuchen Xie, Ran Yi·· 14 小时前AI 评分31
MARC：面向铰接物体代码生成的机制感知反思式纠错方法
MARC: Mechanism-Aware Reflective Correction for Articulated Object Code Generation
AI 导读
MARC 通过共享可执行运动学图，将物理连接绑定到局部附着坐标系并表达闭环与关节坐标耦合，让智能体依据数值求解器给出的连接级诊断修正结构并沿原运动路径重测。在 20 个物体的测试集上，MARC 搭配 Kimi-K3 达到 67.8% 有效运动覆盖率和 60.0% 整体成功率，优于六个基线；从相同初始候选出发，纠错使两项指标分别提升 13.7 和 20.0 个百分点。
正文 · AI 翻译
摘要：从图像和文本生成铰接物体，不仅需要合理的部件和可动关节，还需要装配后的机构能够执行预期运动。这对闭环和耦合机构尤其具有挑战性，因为一处连接错误就可能阻塞运动或使相连部件分离。我们提出 MARC（Mechanism-Aware Reflective Correction，机构感知反思式修正），它在程序构建、运动求解和修正过程中共享一个可执行的运动学图。该图将物理连接绑定到局部附着坐标系，并表示闭环和关节坐标耦合。给定规定的驱动输入，数值求解器计算从动运动，并将误差关联到具体的连接和构型。智能体利用这些诊断信息探查可能的原因，修改连接或几何结构，并沿原始运动路径重新测试机构。在 20 个物体的测试集上，使用 Kimi-K3 的 MARC 实现了 67.8% 的有效运动覆盖率和 60.0% 的整体成功率，优于六个基线。从相同的初始候选出发，修正使这两项指标分别提升了 13.7 和 20.0 个百分点。消融实验进一步表明了基于图的机构支持和图引导修复的优势。项目主页：this https URL。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33060 [cs.CV] |
| （或 arXiv:2610.33060v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33060 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiong Yang [查看邮箱]
[v1]
2026年10月19日星期一 10:38:34 UTC（6,122 KB）
来源：arXiv cs.AI · arxiv.org