本文介绍了一个大规模多视角 RGBD 视觉可供性学习数据集及其基准测试方法，它包含了来自 37 种对象类别、配有 15 种视觉可供性类别和 35 种杂乱 / 复杂的场景的 47210 个 RGBD 图像。我们提出了一个名为 ARNet 的【可供性识别网络】，证明了该数据集的挑战性以及提出的新的强大的可供性学习算法的明确前景。

Mar, 2022

对机器人视觉技术的文献综述，重点关注视觉便利性和功能场景理解等问题，提出了检测、分类、分割和高层次推理等子问题及其现有挑战，并介绍了目前研究所使用的函数描述符。

Jul, 2018

通过自我监督方法，以及使用相对方向和近距离的人物和物体点之间的关系定义的新型能力表征，我们提出了一种创新的方法来生成三维能力示例，展示了我们方法和表征的有效性。

Jan, 2024

本文介绍了一种名为 AffordanceNet 的新型深度学习方法，可以从 RGB 图像中同时检测多个对象及其负载承载能力，实验结果表明 AffordanceNet 的性能优于现有最先进的方法，适用于实时机器人应用。

Sep, 2017

通过结合物体层面的可行先验和环境约束，我们提出了一个环境感知的可行性框架，该框架能够在考虑环境约束的情况下学习可行性，对于包含单个遮挡物和复杂遮挡物组合的场景具有良好的泛化效果。

Sep, 2023

本研究使用视觉契合技术，通过预测关键点的接触信息，提出了一种端到端的控制策略学习框架，可以实现在不同类型的操纵任务中的泛化。结果显示，我们的算法在成功率上大大优于基线算法，包括基于视觉契合和强化学习方法。

Sep, 2022

本文介绍了一种针对开放式交互集的类不可知对象的功能类别识别方法，该方法通过无监督学习认知对象互动之间的相似性，从而诱导对象功能群簇，为构建活动图提出了一种新的深度感知定性空间表示方法，通过这种方法可以获得相似功能的物体组。实验证明，该方法即使在杂乱无章的场景中也能学习到高度 V-measure 的对象功能群簇，并且能够有效地处理对象遮挡，并且不强制施加任何对象或场景约束。

Mar, 2023

通过使用深度学习，结合物体颜色和 affordance 信息，提高了物体识别的鲁棒性。

Apr, 2017

采用模块化神经网络体系结构，利用合成数据和模拟技术，通过低维潜在表示生成场景可用性，成功训练机械臂政策。同时，提出了一种数据集生成方法，可轻松推广到新任务、对象和环境，无需手动像素标记。

Mar, 2019

利用几何信息推断三维场景中的互动信息和可能性，并在机器人和增强现实场景中进行实验，结果表明可以在新颖信搏的环境下以快速率进行预测。

Jun, 2019