LanPerAct: A Framework for Language-Driven Perception and Robotic Manipulation
Notice bibliographique
Résumé
Robotic manipulation necessitates comprehensive environmental perception and precise awareness of object pose estimation. Current systems predominantly rely on predefined motion primitives, exhibiting significant limitations in flexible interaction. The semantic reasoning capabilities of Large Language Models can provide robust task planning and decision-making support, while more accurate object pose estimation ensures execution precision and operational stability. In this study, we present LanPerAct, a Unified Framework for Language-Driven Perception and Robotic Manipulation. LanPerAct integrates large language models with pose-based grasping through a language-vision-action co-reasoning pipeline. Our approach first employs Deepseek to construct an end-to-end natural language instruction parser that generates structured task parameters. Subsequently, we utilize open-vocabulary object detection and instance segmentation to obtain object masks and corresponding point cloud data, followed by a two-stage point-matching algorithm for precise 6D pose estimation. Finally, the system executes zero-shot object grasping through generated code that interfaces with our multi-stage, multi-task pose-grasping framework, achieving both lightweight implementation and robust task execution. Experimental results in both simulated and real-world environments demonstrate the advanced effectiveness of our method, showcasing its capability for efficient and precise execution of natural language-guided manipulation tasks. We believe this research provides valuable insights for real-world robotic behavior development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».