野外场景中关节物体估计
机器人学
2025-09-03 v1 计算机视觉与模式识别
摘要
理解关节物体的3D运动对于机器人场景理解、移动操作和运动规划至关重要。先前的关节估计方法主要聚焦于受控环境，假设固定的相机视角或直接观察 various object states，这些方法在更现实的无约束环境中往往会失败。相反，人类能够通过观察他人操作物体来轻松推断关节结构。 Inspired by this, 我们引入 ArtiPoint，这是一个 novel 的估计框架，可在动态相机运动和部分可见性条件下推断关节物体模型。通过将深度点跟踪与因子图优化框架结合，ArtiPoint 能直接从原始 RGB-D 视频中稳健地估计关节部件轨迹和关节轴。为促进该领域的后续研究，我们引入 Arti4D，第一个 ego-centric in-the-wild 数据集，捕获了关节物体交互的场景级数据，伴随关节标签和真实相机姿态。我们对 ArtiPoint 与经典和基于学习的多种基线方法进行基准测试，证明其在 Arti4D 上的优异性能。我们将代码和 Arti4D 公开于 https://artipoint.cs.uni-freiburg.de。
引用
@article{arxiv.2509.01708,
title = {Articulated Object Estimation in the Wild},
author = {Abdelrhman Werby and Martin Büchner and Adrian Röfer and Chenguang Huang and Wolfram Burgard and Abhinav Valada},
journal= {arXiv preprint arXiv:2509.01708},
year = {2025}
}
备注
9th Conference on Robot Learning (CoRL), 2025