3D 一般物体的原始功能无监督学习
通过结合物体层面的可行先验和环境约束,我们提出了一个环境感知的可行性框架,该框架能够在考虑环境约束的情况下学习可行性,对于包含单个遮挡物和复杂遮挡物组合的场景具有良好的泛化效果。
Sep, 2023
本论文探讨了在三维室内场景中预测人类动作所需的可负担性建模技术,并通过引入语义和几何结构来创建大规模数据集合并使用三维姿态合成器预测出语义合理的人体姿态。最终的可负担性预测方法能够持续胜过现有的最新方法。
Mar, 2019
本论文介绍了一个名为 3D AffordanceNet 的数据集,其中包含来自 23 个语义对象类别的 23k 个形状,注释了 18 个视觉可用性类别,并提供了三个评估视觉可用性理解的基准测试任务。作者评估了三种最先进的点云深度学习网络,并研究了半监督学习设置探索利用未标记数据的可能性。综合结果表明,视觉可用性理解是一个有价值但具有挑战性的基准测试。
Mar, 2021
本研究使用视觉契合技术,通过预测关键点的接触信息,提出了一种端到端的控制策略学习框架,可以实现在不同类型的操纵任务中的泛化。结果显示,我们的算法在成功率上大大优于基线算法,包括基于视觉契合和强化学习方法。
Sep, 2022
本文介绍了一种针对开放式交互集的类不可知对象的功能类别识别方法,该方法通过无监督学习认知对象互动之间的相似性,从而诱导对象功能群簇,为构建活动图提出了一种新的深度感知定性空间表示方法,通过这种方法可以获得相似功能的物体组。实验证明,该方法即使在杂乱无章的场景中也能学习到高度 V-measure 的对象功能群簇,并且能够有效地处理对象遮挡,并且不强制施加任何对象或场景约束。
Mar, 2023
本文提出了一种无监督学习的方法来自动学习如何与关节物体交互,我们将这种交互方式称作交互模式。该方法不需要任何有监督信息,只需利用三维深度传感器来获取物体的交互模式。我们的模型不仅可以囊括人类常见的交互模式,而且在目标条件下可以快速微调以完成指定任务,获得了优于现有方法的成果。
May, 2023
本研究利用增强学习方法,通过自主探索实现对未经探测的三维环境的机器人智能互动,其中包括对可利用对象的发现、高效自主行动的学习以及使用基于图像的可利用区域分割模型。实验表明,基于该方法的机器人可以智能地操作新的家居环境,并为进行下游任务,如 “找刀并将其放入抽屉中”,进行了充分的准备。
Aug, 2020
本研究基于物体的易用性、可达性和相对人体姿态的关系,通过 3D 空间特征和 Dirichlet 过程混合模型学习场景中不同物体相对人体姿态的分布情况,并以此作为推理对象,通过合适的密度函数,预测物体在房间中的正确放置位置。实验证明,与最佳基线方法相比,该算法的平均误差小于 1.6 米,分数达到 4.3/5。
Jun, 2012