面向通用关节物体操控的 Part-Aware 3D 特征场学习
机器人学
2026-02-17 v1 计算机视觉与模式识别
机器学习
摘要
关节物体操控是各种实际机器人任务中必不可少的任务，但如何在多样化物体上实现泛化仍是主要挑战。实现泛化的关键在于理解功能部件（如门把手和旋钮），这些部件在不同物体类别和形状间指明了操控位置和方式。以往研究通过引入基础特征来实现泛化，但这些特征大多基于二维且未特别考虑功能部件。当将这些二维特征提升至几何丰富的三维空间时，会出现运行时间长、多视角不一致以及空间分辨率低且几何信息不足等问题。为此，我们提出了 Part-Aware 3D Feature Field (PA3FF)，一种用于通用关节物体操控的具备部件感知的稠密 3D 特征场。PA3FF 通过大规模标记数据集中的 3D 部件提案进行对比学习训练。给定点云输入，PA3FF 以前馈方式预测连续的 3D 特征场，其中点特征之间的距离反映功能部件的接近性：具有相似特征的点更可能属于同一部件。基于该特征，我们引入了 Part-Aware Diffusion Policy (PADP)，一种旨在提升样本效率和泛化性的仿真学习框架。我们在多个仿真和真实世界任务上评估了 PADP，表明 PA3FF 在操控场景中持续优于 CLIP、DINOv2 和 Grounded-SAM 等多种二维和三维表征。除仿真学习外，PA3FF 还支持多种下游方法，包括配分学习和分割任务，使其成为机器人操控的通用基础。项目页面：https://pa3ff.github.io
引用
@article{arxiv.2602.14193,
title = {Learning Part-Aware Dense 3D Feature Field for Generalizable Articulated Object Manipulation},
author = {Yue Chen and Muqing Jiang and Kaifeng Zheng and Jiaqi Liang and Chenrui Tie and Haoran Lu and Ruihai Wu and Hao Dong},
journal= {arXiv preprint arXiv:2602.14193},
year = {2026}
}
备注
Accept to ICLR 2026, Project page: https://pa3ff.github.io