我们提出利用 SE (3) 等变性对形状姿态进行解耦，并在多部分协作方面提供了改进，这大大提高了几何形状装配的性能。

Sep, 2023

从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题，本文提出了一种学习三维表示的算法，满足几何一致性约束，并在三个姿态预测任务中取得了 SOTA 结果。

Jul, 2023

本文利用李群的表示理论构建了新的 SE (3) - 等变能量模型，允许高样本的端到端学习。我们证明这些模型可以从头开始学习，但具有很高的样本效率，并且可以推广到具有不同要求的任务中。

Jun, 2022

本文提出了一种基于点云观测数据，实现元素实例任意姿态下空间关系任务的方法，该方法通过三个步骤解决了元素重排列问题：指定本地协调对象部件的一致坐标系；在新的对象实例上确定该坐标系的位置和方向；实施调整坐标系以达到所需呈现的目的。关键技术难题得到了克服，性能得到了提高。

Nov, 2022

利用等变结构和数据增强技术，通过训练简单任务模型以实现物体的平移、旋转、缩放等变换，并直接将其迁移到不同尺寸、位置和方向的物体上，从而实现机器人在可变形和关节物体的操作任务中的泛化。

Oct, 2023

本研究主要评估和基准测定在物体装配任务中视觉表示的鲁棒性。研究采用了一个视觉运动策略学习的通用框架，将预训练模型用作视觉编码器，并发现从头开始训练的视觉编码器在双臂操纵设置中表现出更好的性能，而现有的预训练模型则不足以满足此任务所需的重要视觉特征。此外，研究还讨论了旋转表示和相关损失函数，这些能够大幅提高策略学习的效果，提出了一种用于评估视觉运动策略学习进展的新型任务场景，特别关注提高复杂装配任务的鲁棒性，需要同时进行几何和空间推理。

Oct, 2023

这篇论文提出了一种基于自监督学习的方法，通过部分等变形状分析提取规范形状和物体姿态，再通过刚性变换描述部件从规范空间到相机空间的转换，实现未知关节感知物体的层次化姿态估计。

Feb, 2023

本文针对 3D 图像生成开展了探索，提出了一种基于多任务卷积神经网络的通用 3D 方案。通过建立代理 3D 任务来提供训练，神经网络在完成核心问题的同时也具备泛化能力和抽象能力，并在多个场景取得了超越 SIFT 等方法的成果。

Oct, 2017

在本文中，我们研究了机器人技术中的一个基本任务 —— 拾取和放置。通过结合仿真驱动的物理稳定性验证和大型语言模型的语义推理能力，我们提出的方法能够在给定上下文信息的情况下，输出放置任务的可能候选位置的概率分布，考虑到任务的稳定性和合理性。我们在两个仿真环境和一个真实环境中对我们的方法进行了广泛评估，并展示了我们的方法在考虑用户偏好的情况下，显著提高了放置任务的物理可信度和上下文合理性。

Sep, 2023

本研究通过使用平移及旋转等变卷积神经网络来将相机运动的表示直接归纳为特征空间，从而证明了直接学习等变特征优于学习中间表示，并表明我们的轻量级模型在标准数据集上优于现有模型。

Apr, 2022