DYNAMO：用于铰接装配运动预测的依赖感知深度学习框架
计算机视觉与模式识别
2025-09-17 v1
摘要
从静态几何结构理解铰接机械装配的运动仍然是 3D 感知与设计自动化中的核心挑战。先前关于门和笔记本电脑等日常铰接对象的工作通常假设简化的运动学结构或依赖关节标注。然而，在齿轮等机械装配中，运动源于几何耦合，即通过啮合齿或对齐轴线产生，这使得现有方法难以仅从几何结构推理关系运动。为弥补这一空白，我们引入了 MechBench，这是一个包含 693 个多样化合成齿轮装配的基准数据集，具有逐部件的真实运动轨迹。MechBench 提供了一个结构化环境以研究耦合运动，其中部件动力学由接触和传动引起，而非由预定义关节产生。在此基础上，我们提出了 DYNAMO，一种依赖感知神经模型，可直接从分割的 CAD 点云预测逐部件 SE(3) 运动轨迹。实验表明，DYNAMO 优于强基线，在各种齿轮配置下实现了准确且时间一致的预测。MechBench 与 DYNAMO 共同为 CAD 装配中耦合机械运动的数据驱动学习建立了一个新颖的系统框架。
引用
@article{arxiv.2509.12430,
title = {DYNAMO: Dependency-Aware Deep Learning Framework for Articulated Assembly Motion Prediction},
author = {Mayank Patel and Rahul Jain and Asim Unmesh and Karthik Ramani},
journal= {arXiv preprint arXiv:2509.12430},
year = {2025}
}