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
该研究提出面向复杂长程行为的真实世界家具组装任务,并提出 FurnitureBench 家具组装基准测试,供研究人员测试和比较不同算法的性能表现,基于该基准测试验证了在线和离线强化学习、模仿学习算法的性能,进一步提出未来的研究方向。
May, 2023
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
本文使用层次化强化学习 (HRL) 将家具布局任务作为马尔科夫决策过程 (MDP) 完成,以实现在室内场景的虚拟现实中产生适当的二家具布局,最终结果表明该模型可以产生比现有模型更高质量的布局。
Oct, 2022
该研究介绍了一种名为 JoinABLe 的基于学习的装配方法,使用 CAD 文件中的弱监督信息(无需对象类标签或人工指导)组装零件,并通过对实体模型的图形表示进行网络预测,精度(79.53%)接近于人类表现(80%), 并发布了 Fusion 360 Gallery 装配数据集来支持未来的研究。
Nov, 2021
这篇研究论文提出了一种基于学习的方法,用于解决组装任意形状的无纹理碎片的问题,并展示了该方法在不同情境下的有效性。
May, 2022
以制造业的最新趋势为背景,研究了自主机器人装配的问题。提出一种利用几何运动规划作为先验知识来引导强化学习的方法,以实现高精度的装配任务。同时,还提出了一种能够学习运动规划并将控制器推广到物体位置变化的神经网络架构。
Mar, 2018
本文提出了一种在小规模人类示范预算下改善模仿学习性能的流程,并将其应用于需要高精度和长视程操作的装配任务,通过结合表达能力强的策略架构和数据集扩展与基于仿真的数据增强等技术来扩展数据集支持并在高精度要求的瓶颈区域附近监督模型的局部纠正动作,实现了在仿真环境中进行四个家具装配任务并直接从 RGB 图像中组装多达五个零件,性能超过了模仿学习和数据增强的基线。
该论文提出了一种新型神经网络结构,用于建议配件并将其放置到不完整的三维零件装配中,能够在不需要大量用户输入的情况下设计复杂形状,有望成为非专业形状设计师的强大建模范例。
Aug, 2017