ArtLLM：通过3D LLM生成具备关节 articulation 的资产

创建依赖于交互式数字环境的游戏、机器人和仿真应用，依赖于其功能由零件几何结构和运动学结构构成的具备关节 articulation 的3D对象。然而，现有方法存在根本性局限：优化基于重建的方法需要慢的、针对每个对象的关节拟合，通常仅处理简单、单关节对象；而检索式方法则从固定图书馆中拼装零件，导致几何重复且泛化性差。为此，我们引入ArtLLM，一个用于从完整3D网格直接生成高质量具备关节 articulation 资产的新框架。其核心是训练于大规模具备关节 articulation 数据集上的3D多模态大语言模型。与先前工作不同，ArtLLM自回归地预测可变数量的零件和关节，从对象点云中统一推断其运动学结构。这种具备关节 articulation 的布局随后作为条件，条件化3D生成模型以合成高保真度的零件几何。在PartNet-Mobility数据集上的实验表明，ArtLLM在零件布局准确性和关节预测方面显著优于最新方法，同时对真实世界对象具有稳健的泛化能力。最后，我们展示其在构建数字孪生体中的实用性，凸显了其在可扩展机器人学习中的潜力。