arXiv cs.AI· Fuqiang Wang, Zheng Guo, Xiaoming Wu, Hanlin Kong, Nayu Liu, Chuanting Zhang, Daojun Liang, Jingxuan Wei·· 6 天前AI 评分25
VIGOR：面向场景程序的工业几何优化与修复，实现可验证的工程可行性
VIGOR: Verifiable Industrial Geometry Optimization and Repair in Scene Programs
AI 导读
针对 LLM 生成的工业场景程序"可执行但工程不可行"的问题，研究者构建了含 1,749 个可构建场景、每个场景 94 项最终状态几何检查的数据集，并提出 VIGOR，将监督式场景程序生成与执行验证、分阶段几何精修结合。VIGOR 达到 96.86% Complete Feasibility 和 91.20 的 Overall 分数，Overall 较最强基线高出 10.42 分。
正文 · AI 翻译
摘要：大语言模型（LLM）越来越多地根据自然语言指令生成结构化布局和可执行场景程序。然而，可执行性并不意味着工程可行性：一个工业场景程序可能成功执行，但其最终状态仍然违反耦合的边界、碰撞、间隙、通道或结构约束。我们将这种不匹配识别为可执行性—工程可行性差距，即局部看似合理的放置可能仍然全局不可行，因为对某一设备的修正可能会在其他地方引入违规。为了在受控环境中使这一差距可度量，我们构建了一个基于执行的工业场景程序数据集，包含 1,749 个可构建场景、完整的可执行程序，以及每个场景 94 项最终状态几何检查。我们进一步提出 VIGOR，它将监督式场景程序生成与基于执行的验证和分阶段几何细化相结合。监督式微调建立了完整的程序生成，局部投影解决了可独立纠正的违规，联合冲突图修复在保留结构关系的同时协调残余的多对象冲突。实验表明，VIGOR 实现了 96.86% 的完全可行性以及 91.20 的总体得分，在总体得分上比评估的最强基线高出 10.42 分。这些结果表明，在受控工业布局条件下，可靠的场景程序生成不仅需要可执行程序，还需要对耦合工程约束进行显式验证和协调解决。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.13145 [cs.AI] |
| （或使用 arXiv:2610.13145v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.13145 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zheng Guo [查看电子邮件]
[v1]
2026年10月9日星期五 07:34:19 UTC（8,840 KB）
来源：arXiv cs.AI · arxiv.org