AdaAfford:通过少样本交互学习适配三维关节物体的操作可供性
计算机视觉与模式识别
2023-05-05 v6 机器人学
摘要
感知并与三维关节物体(如柜子、门和水龙头)交互,对在未来人类环境中执行日常任务的家用辅助机器人提出了特殊挑战。除了解析关节部件与关节参数外,研究者近期提倡在输入形状几何上学习操作可供性,这种方式更具任务意识且几何上更细粒度。然而,这些方法仅以被动观测为输入,忽略了诸多隐藏但重要的运动学约束(如关节位置与限位)和动态因素(如关节摩擦与恢复系数),因而在存在此类不确定性的测试案例上损失了显著精度。本文提出一种名为 AdaAfford 的新框架,其学习执行极少的测试时交互,以快速将可供性先验适配为更精确的实例级后验。我们利用 PartNet-Mobility 数据集开展大规模实验,证明我们的系统优于基线方法。
引用
@article{arxiv.2112.00246,
title = {AdaAfford: Learning to Adapt Manipulation Affordance for 3D Articulated Objects via Few-shot Interactions},
author = {Yian Wang and Ruihai Wu and Kaichun Mo and Jiaqi Ke and Qingnan Fan and Leonidas Guibas and Hao Dong},
journal= {arXiv preprint arXiv:2112.00246},
year = {2023}
}
备注
ECCV 2022