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

本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

Apr, 2021

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

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

本篇研究提出使用深度神经网络和可靠的平面追踪技术结合，实时追踪物体的姿态，而无需传感器的预先校准或初始化，实现在移动设备上执行相对尺度 9 自由度跟踪。

Jun, 2020

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

提供医疗和工业领域的装配过程指导对于确保效率和安全至关重要，装配场景可以通过原位增强现实可视化提供指导，减少装配时间和错误，并结合对象检测、装配状态检测、对象姿态估计等技术，实现精确的最终装配状态预测。

Mar, 2024

基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer，在进行跟踪检测双向图的基础上，通过边分类进行数据关联，并提出了一种新颖的在线训练策略，通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。

Aug, 2023

本文提出了一种实时的手和物体姿态联合追踪方法，利用一个单独的 RGB-D 相机，通过 3D GMM 算法和创新的正则化策略，同时解决了遮挡、快速运动和手与物体重合的问题，辅以判别式手部部分分类和物体分割，实现了实时追踪。实验结果表明，该方法具有速度、准确性和鲁棒性。

Oct, 2016

本文提出了一种名为 LEGO 的模块化跟踪器，通过集成图优化和自注意机制来改善现有文献中的数据关联性能，进一步提高状态更新过程，并且在 KITTI MOT 基准测试中表现出优异的性能。

Aug, 2023