该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

Jun, 2020

一篇关于图像引导物体组装的研究论文介绍了一项新任务：将结构 3D 模型的多视角图像（例如，从 3D 对象库中选择的积木构建而成的模型）翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型，通过学习图形对象图来识别图像中的组件，并通过边指定 3D 模型的拓扑结构，从而得出组装计划，并进行了全面的实证评估，证明了神经组装者的优越性。

Apr, 2024

该文章提出了一种用单张图片指导的三维部件自动组装的方法，该方法采用包括二维三维对应和面向组装的图传递等技术解决难题并证明了其高效性。

Mar, 2020

图形化对象追踪（GBOT）是一种基于图形的单视角 RGB-D 追踪方法，可用于实现上下文感知的增强现实组装指导。

Feb, 2024

将物体的装配从其组成部分自动化是一个复杂的问题，具有生产制造、维护和再生利用等无数应用。我们的研究提出了一个整体多层次的部件装配规划框架，包括部件装配顺序的推理、部件运动规划和机器人接触优化。我们通过引入大规模部件装配序列数据集（D4PAS）来训练 Part Assembly Sequence Transformer （PAST）神经网络，实验结果表明我们的方法相比之前的方法具有更好的泛化性能，且推理过程所需的计算时间显著减少。

Dec, 2023

使用基于 GNN 的学习方法，通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作，实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效，并且可以通过微调关键点检测器轻松转移到真实机器人中。

Feb, 2023

本文提出了一种新的框架，通过在目标级别和部分级别上结合技术对场景中物体中多个实例和多个部分进行语义分割，其中包括类别条件模块和基于邻接图的模块来解决不同级别的歧义问题。在 Pascal-Part 数据集上的实验证明了该框架的有效性。

Jul, 2020

本文提出了一种名为 “3D 部件分组” 的新任务，在这个任务中，需要找出各个零散部件之间的所有可能组合。为了解决这个挑战，我们提出了基于梯度场的自回归采样框架（G-FARS），专门为 3D 部件分组任务量身定制。通过设计一个基于梯度场的选择图神经网络（GNN），我们的框架能够有效地捕捉输入中所有部件之间的复杂关系。在训练完成后，我们的框架能够通过从混合部件集中迭代地选择部件来实现 3D 部件的自主分组，充分利用了由训练过的基于梯度场的选择 GNN 所获得的知识。

May, 2024

基于图神经网络的 GraNet 框架在无结构环境下实现了针对 6 维自由度的无对象依赖抓取，通过建立点云场景的多级图并通过图神经网络传播特征，提高了多尺度下的特征嵌入能力，从而实现了高效抓取的空间分布特征建模。该方法在大规模的 GraspNet-1Billion 基准测试中取得了最先进的性能，尤其在抓取未见过的物体上的平均精准度提高了 11.62 个百分点，实际机器人实验也证明了该方法在无结构环境中对分散物体的高成功率。

Dec, 2023

我们提出了一种基于部分 - 整体 - 层次的消息传递网络，通过预测超级部分的位姿来有效实现 3D 部件的组装。实验结果表明，我们的方法在部件和连通性准确性方面取得了最先进的性能，并实现了可解释的分层部件组装。

Feb, 2024