利用预训练扩散模型实现零样本零件装配

3D 零件装配旨在理解零件关系并预测其 6-DoF 姿态，以构建逼真的 3D 形状，满足对自主装配日益增长的需求，这对机器人至关重要。现有方法主要通过监督训练神经网络来估计每个零件的变换，这需要大量人工标注的数据。然而，高昂的数据采集成本和现实世界形状与零件的巨大可变性，使得传统方法难以应用于大规模场景。在本文中，我们首次提出了一种零样本零件装配方法，该方法利用预训练的点云扩散模型作为装配过程中的判别器，指导零件的操作以形成逼真的形状。具体来说，我们从理论上证明了利用扩散模型进行零样本零件装配可以转化为一个迭代最近点 (Iterative Closest Point, ICP) 过程。然后，我们提出了一种新颖的推开策略来解决零件重叠问题，从而进一步增强了方法的鲁棒性。为验证我们的工作，我们进行了广泛的实验，并与几种强基线方法进行了定量比较，证明了所提方法的有效性，其性能甚至超越了监督学习方法。代码已发布在 https://github.com/Ruiyuan-Zhang/Zero-Shot-Assembly。