无对称标注学习策略下的通用且可操作的零件姿态估计
机器人学
2026-05-19 v1
摘要
通用机器人物体交互和操纵迫切需要高质量的跨类别物体感知。作为该领域的先驱，通用且可操作的零件（GAParts）理解引起了越来越多的关注。然而，大多数近期工作要么对对称性问题设计不足，要么需要丰富的对称标注，这严重阻碍了在数据不足的场景中进行精确的 GAParts 姿态估计。本文提出了 SAFAG（Symmetry Annotation-Free framework for Generalizable and Actionable Parts Pose Estimation），一个无对称标注的通用可操作零件姿态估计框架。具体而言，我们建议采用分步骤细化的双阶段框架进行候选者到最终四元数回归，并通过自监督学习策略将对称性预测建模为概率分布问题。实验结果表明，我们的 SAFAG 在性能和鲁棒性方面表现出优越性。我们相信，该工作在具身 AI 系统的多个领域具有巨大的应用潜力。
引用
@article{arxiv.2605.17033,
title = {Generalizable and Actionable Parts Pose Estimation with Symmetry Annotation-Free Learning Strategy},
author = {Wenxiao Chen and Xueyu Yuan and Liu Liu and Di Wu and Dan Guo},
journal= {arXiv preprint arXiv:2605.17033},
year = {2026}
}
备注
Accepted as a poster at the Forty-third International Conference on Machine Learning (ICML 2026)