FoldingAgent：从演示视频推断参数化折纸流程

FoldingAgent 是一个智能体框架，能从折纸演示视频中直接推断出显式的参数化折叠程序。它利用预训练的视觉语言模型和专用工具，模拟几何变化、验证物理可行性，并支持顺序操作与重新规划。研究还构建了 PurelandFold 基准来评估该方法。

过去计算机折纸主要依赖静态折痕图或预设参数，视频中的人类知识难以直接利用。FoldingAgent 将非结构化的视觉演示转化为可执行、可验证的折叠程序，且能降低多步折叠的累积误差，这是折纸计算与机器人操作领域的一次实质性进步。

框架融合视觉语言模型的推理能力与多种专用工具，模拟折叠过程并验证物理合理性。定义了基于纸张几何和折叠动作的参数化空间，使模型能逐步执行并反复规划，从而纠错和适应复杂折纸，将视觉信息映射为结构化程序。

对机器人操作、自动化制造和AR教学产品有直接影响。折纸演示可被自动转为程序，无需人工标注，降低了编程门槛。若能泛化，将加速工业折纸分拣、教育应用及内容生成工具的研发。

• 开发基于演示视频的折纸教学应用，自动生成步骤说明和3D模拟。
• 为工业机器人提供折纸技能学习模块，从视频直接提取可执行程序。
• 构建折纸内容库自动标注工具，为折纸社区或数据库提供结构化元数据。
• 将框架扩展至其他工艺操作（如布料折叠）的编程场景。

• 该方法在非Pureland风格折纸（如湿折、模块化）上的泛化能力尚未验证。
• PurelandFold 基准之外的真实视频复杂性是否影响性能未知。
• 框架依赖的VLM推理与工具调用的计算成本未报告。
• 生成的程序在物理机器人上的成功率未经测试。