📖 AI 总结

FoldingAgent是一个从折纸演示视频中推断参数化折叠程序的智能体框架。该框架利用预训练视觉语言模型的推理能力，配备多种专用工具，使智能体能够模拟几何变换、验证物理可行性、检索比较视觉内容并评估自身预测。与预测静态折痕图案的模型不同，该智能体顺序操作并具备重新规划能力，有效缓解了多步折叠中固有的误差累积问题。研究团队定义了包含纸张几何和参数化折叠动作的参数空间，并构建了PurelandFold基准数据集，包含多样化的Pureland折纸视频及真实几何和动作标签。实验结果表明，将视觉语言模型推理与专用工具和物理模拟相结合，能够成功将非结构化视觉演示转化为可执行、物理上合理的折叠程序。这项工作弥合了人类折纸知识（主要通过非结构化视觉演示分享）与计算方法（依赖结构化参数化表示）之间的鸿沟。

🔑 关键词速览