通过语义锚定功能图实现跨对象实例的功能性迁移

传统的演示学习 (Learning from Demonstration, LfD) 需要繁琐的物理演示收集，这在可扩展性方面存在挑战。近期的进展表明，机器人可以从人类视频中提取交互线索，无需直接参与机器人操作。然而，一个根本性挑战仍然存在：如何在几何差异显著但功能相似的对象实例之间推广已演示的交互。在本工作中，我们提出了“语义锚定功能图” (Semantically Anchored Functional Maps, SemFM)，用于从单个视觉演示跨对象迁移功能性。我们从图像重建的粗糙网格开始，识别对象之间语义对应的功能区域，选择互不重叠的语义锚点，并通过功能图在表面上传播这些约束，以获得稠密且语义一致的对应关系。这使 demonstrated 交互区域能够以轻量且可解释的方式跨越几何多样化的对象进行迁移。合成对象类别和真实世界机器人操作任务的实验表明，我们的方法能够以 modest 的计算成本实现精确的功能性迁移，适用于实际的机器人感知到动作管线。