Newest papers

UniRAP: Towards Unified Part-level Physical Affordance Reasoning and Actionable Perception

Linfei Li, Ruining Hu, Lin Zhang, Zhong Wang, Fengyi Zhang, Ying Shen, Binqiang Wang, Xin Zhang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.29768 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Для устранения этого разрыва мы предлагаем UniRAP, унифицированную модель для вывода физических аффордантов на частичном уровне и картографирования инструкций языка с действительными геометрическими представлениями. UniRAP формулирует эту проблему как условную мультимодальную задачу, интегрируя визуальные входы, текстовые инструкции и опциональные промпты в общее пространство пространственно-временного взаимодействия через унифицированный интерфейсный токенный механизм. Чтобы предсказать выполнимую контактную геометрию, мы вводим унифицированный аффорданс-декодер (UAD), который совместно выполняет задачу обнаружения объектов, аффорданс-сегментацию на частичном уровне, а также физическую аффорданс-сегментацию, демонстрируя

Machine translation (Meta M2M100); the English original follows.

Abstract

Vision-language perception has achieved impressive progress in aligning natural language with visual observations, yet grounding high-level semantics into part-level physical interaction remains challenging. To address this gap, we propose UniRAP, a unified model for inferring part-level physical affordances and mapping language instructions to actionable geometric representations. UniRAP formulates this problem as a conditional multimodal generation task, integrating visual inputs, textual instructions, and optional prompts into a shared spatiotemporal representation space through a unified interface token mechanism. To predict executable contact geometry, we introduce a Unified Affordance Decoder (UAD), which jointly performs object detection, part-level affordance segmentation, and 4-DoF interaction pose estimation by leveraging intermediate segmentation features. In addition, we propose a curriculum-based transfer training strategy that progressively adapts the model from general visual parsing to interaction-aware perception, improving data efficiency under limited textual annotations. Experiments show that UniRAP achieves state-of-the-art performance on referring expression segmentation, affordance grounding, and interaction pose estimation, while maintaining strong spatiotemporal consistency in dynamic video scenarios. These results demonstrate the effectiveness of UniRAP as a unified perception framework for language-guided physical manipulation.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Affordance, Computer science, Executable, Human–computer interaction, Artificial intelligence, Semantics (computer science)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange