一次性模仿学习：姿势估计视角

Oct, 2023

One-Shot Imitation Learning: A Pose Estimation Perspective

Pietro Vitiello, Kamil Dreczkowski, Edward Johns

TL;DR本文研究了在只有一个示范、没有进一步的数据收集和没有先前的任务或对象知识的挑战性环境下的模仿学习，并展示了如何在这些限制条件下将模仿学习表述为轨迹转移和未见物体姿态估计的组合。通过对十个真实世界任务进行一次性模仿学习，我们深入研究了最先进的未见物体姿态估计器在性能上的表现，并深入了解了相机标定、姿态估计误差和空间泛化对任务成功率的影响。

Abstract

In this paper, we study imitation learning under the challenging setting of: (1) only a single demonstration, (2) no further data collection, and (3) no prior task or object knowledge. We show how, with these con

imitation learning single demonstration trajectory transfer unseen object pose estimation task success rates

发现论文，激发创造

通过深度特征匹配进行一次性 6D 物体姿态估计的 PoseMatcher

本文提出了一种基于 three-view 系统的 PoseMatcher 模型来进行精确的无模型一次性物体位姿估计，同时引入了 IO-Layer 进行有效信息的交叉注意力，还设计了对象点云下的基于数字图像处理的目标选取和定位算法。实验结果证明该方法在 Linemod 和 YCB-V 数据集上表现优异。

Apr, 2023

基于深度学习的物体姿态估计：综述

基于深度学习的物体姿态估计的最新进展、挑战和未来研究方向的综述。

May, 2024

人体姿态预测的模仿学习

提出了一种新的基于增强学习的姿势预测模型，结合行为克隆和生成对抗学习，通过这种模型对未来的人体姿势进行预测，实验结果表明该模型在短期和长期预测方面优于现有方法。

Sep, 2019

基于 3D 模型的零样本姿态估计流水线

本文介绍一个新的零样本视角估计管道，主要基于 3D 模型的零样本实例分割和零样本姿态估计。实验结果表明，该方法在速度和计算成本方面优于当前零样本状态的最佳方法。

May, 2023

ZePHyR: 零样本姿态假设评分

本研究提出了一种用于零样本目标位姿估计的方法，该方法采用假设产生和评分框架，并专注于学习适用于训练中未使用的物体的评分函数，通过对无序点差异的函数对假设进行评级以实现零样本泛化，实验结果表明，该方法在具有纹理和无纹理物体的混乱场景中显著优于以前的方法。

Apr, 2021

通过预测不同视角来学习姿势特定表示

通过无监督学习方法，该研究利用已知物体姿态和形状参数，学习表示关节姿势的具体特征，并仅需要第二视角监督，在联合有标记和无标记数据的条件下，显著提高了关节姿势估计的性能。

Apr, 2018

从单个示例学习类别级别物体表示以估计姿态

该研究提出了一种基于单个对象检查实现类别级姿态估计的方法，通过利用多视角对应关系从而为未见过的对象的姿势估计提供更精确的结果，并展示了该方法在连续学习环境下的应用。

May, 2023

一次性模仿学习

本文旨在提出一个元学习框架，称之为一次学习，实现机器人从极少量的演示中学习，并即刻推广到相似的其他任务中。

Mar, 2017

学习无姿态注释的类别级物体姿态估计器

提出了一种不需要姿态标注的类别级三维物体姿态估计方法，通过使用扩散模型生成一组具有姿态差异的图像，并利用图像编码器和新颖的学习策略解决噪声和伪影问题，实现了从单次拍摄中对类别级物体姿态的估计，并在少样本类别级物体姿态估计基准上显著优于其他先进方法。

Apr, 2024

通过隐式图对齐进行少样本上下文内模仿学习

通过将模仿学习作为对象图表示之间条件对齐问题来解决机器人在新对象上学习任务的困难，使得机器人能够在示范之后立即在一组新对象上执行任务，无需先验知识或进一步训练。

Oct, 2023