通用部件组装规划
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
本文提出了基于异构图转换器的装配序列规划框架,并使用自收集的 LEGO 模型数据库进行了验证。通过研究节点特征和边缘特征之间的不同影响并进行一系列实验证明了模型的有效性(相似性 0.44), 生成了可行和合理的 Benchmark 组件装配顺序.
Oct, 2022
SPAFormer 是一种创新型模型,旨在解决 3D 零件组装任务中的组合爆炸挑战,通过利用装配序列的弱约束来降低解空间的复杂性,提供更好的通用性能和长期视野组装的策略。
Mar, 2024
我们提出了 AutoGPart,一种通用的方法,它考虑任务优先,使用几何先验知识构建监督空间,并让机器自动从该空间中搜索特定分割任务的最佳监督,以训练具有一般化的 3D 部分分割网络。在三个 3D 部分分割任务上进行了实验,证明了 AutoGPart 的有效性和通用性,并表明使用简单 backbones 训练的分割网络的性能可以显著提高。
Mar, 2022
本文提出了一种基于递归图学习的自主组装物体的新方法,通过考虑零件之间的相互关系和部件姿态的逐步更新,实现了对具有结构变异的物体的组装。该网络在 PartNet 数据集上相对于现有技术实现了 10% 的部件精度和 15% 的连通性精度的提升,同时具备从点云组件中恢复形状结构的潜在应用。实验证明了该方法的有效性。
Jul, 2021
本文介绍了一种基于评分的三维部件组装框架(Score-PA)以及一种加速采样过程的新算法(FPC),并通过多种度量指标评估了组装质量和多样性,评价结果显示该算法优于现有的最先进方法。
Sep, 2023
本论文详细介绍了 RoboGPT,使用大型语言模型 ChatGPT 的高级推理功能,实现了自动机器人流程规划,并通过两个实例的试验展示其可行性和有效性,推动了建筑行业机器人组装的进一步发展。
Apr, 2023
我们开发了一种基于 Transformer 的架构 PIGINet,该架构可通过融合图像和文本嵌入以及状态特征,预测计划可行性,并根据预测的满足度排序 TAMP 计划器生成的计划骨架,从而能够大大提高可行性规划的效率。
Nov, 2022