基于分布深度的物体关节模型估计
本文提出了一种名为 ScrewNet 的方法,可以直接估计物体的运动模型,从而帮助机器人在人类环境中与各种关节物体如橱柜、抽屉和洗碗机进行交互。该方法利用螺旋理论统一不同类型的运动,通过无需先验知识的深度图像来进行模型估计。在两个基准数据集上的评估结果表明,ScrewNet 能够成功地估计不同运动模型下的新物体,且平均精度较之前最先进的方法更好。
Aug, 2020
ARTIC3D 是一种自监督框架,通过 2D 扩散先后提取骨架表面表示和指导 3D 优化,估算高保真度的图形和纹理,且可产生更真实的动画效果。
Jun, 2023
本论文提出了一种基于自监督学习的方法,仅仅通过一组彩色图像就能够学习到一个关节物体类的几何、外表和动作的表示,从而实现这些语义维度的独立控制,该方法不需要形态学的注释,相对于现有的采用 3D 直接监督的各种方法,使用本方法只需 2D 观测即可恢复更精准的几何和外观,并且具有少样本重建、新关节生成和新视角综合生成等众多应用。
May, 2022
该研究提出了神经 3D 关节先验(NAP),这是第一个合成 3D 关节物体模型的 3D 深度生成模型,可以通过设计关节树 / 图参数化来生成关节物体,同时使用图 - 注意力去噪网络捕获几何和运动结构的分布,并使用一种新颖的距离度量来评估生成质量。
May, 2023
我们通过两个不同关节状态的物体的两个 RGBD 扫描构建未知关节物体的数字孪生问题,通过分解成两个阶段并采用显式建模,我们的方法能够重建物体形状并恢复关节模型,通过利用图像、3D 重建和运动学信息,我们的方法相比之前的工作具有更高的准确性和稳定性,并且能够处理多个活动部件并不依赖于任何物体形状或结构的先验知识。
Apr, 2024
采用基于视觉的系统和神经网络,我们提出了一种使用密集的向量场来预测各种关节物体的潜在运动的方法,并在此基础上展开手部的运动规划用于操纵各种对象,实验结果表明该系统在模拟和现实世界中均取得了最优良好的表现。
May, 2022
通过神经网络模型,本研究提出一种新的框架来明确分解关节物体的部分运动,通过预测部分表面上的点的转换矩阵,使用空间连续的神经隐式表示来平滑地建模部分运动,在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。
Nov, 2023
本篇研究提出了一种基于概率滤波方法的实时、精确估算机器人末端执行器的相机坐标系下位置的方法,并且避免了在与视觉目标的跟踪方法组合时需要进行帧变换的问题。通过建模和纠正测量误差和机器人模型不准确性,在卡尔曼滤波测量的基础上进行基于坐标粒子滤波的异步深度图像更新,使搜索所需的计算量更少。作者在真实机器人平台上进行了定量评估,并通过开放源代码的方式公开了数据集和算法,以便与其他方法进行比较。
Oct, 2016
本文提出了一种基于李群理论的统一框架,用于解决深度图像中复杂目标的姿态估计、跟踪和动作识别问题,并在多种实验中验证其优于卷积神经网络和回归森林等方法的竞争力。
Sep, 2016
本文介绍了一种使用深度图像实现类别级姿态估计的新方法,该方法基于 Articulation-aware Normalized Coordinate Space Hierarchy(ANCSH)构建了一种针对不同类别中的关节控制物体各个部分的规范表示,并提出了基于 PointNet ++ 的深度网络来预测 ANCSH。实验结果表明,该模型能够实现更好的物体姿态估计和关节参数估计。
Dec, 2019