LUDO: 基于点云占用函数的可变形物体低延迟理解
机器人学
2025-07-04 v5 计算机视觉与模式识别
摘要
准确确定可变形物体的形状及其内部结构的位置，对于需要精确靶向的医疗任务（如机器人活检）至关重要。我们提出了 LUDO，一种用于准确低延迟理解可变形物体的方法。LUDO 利用占用网络，在 30 毫秒内从单视角点云观测中重建可变形物体的变形状态，包括其内部结构。LUDO 为其预测提供不确定性估计。此外，它通过高亮输入观测中的关键特征提供可解释性。不确定性和可解释性对于手术等安全关键应用非常重要。我们在真实机器人实验中评估了 LUDO，在可变形物体内部各感兴趣区域（ROI）的穿刺任务中实现了 98.9% 的成功率。我们将 LUDO 与一个流行基线进行比较，展示了其在 ROI 定位精度、训练时间和内存需求方面的优势。LUDO 展示了无需可变形配准方法即可与可变形物体交互的潜力。
引用
@article{arxiv.2411.08777,
title = {LUDO: Low-Latency Understanding of Deformable Objects using Point Cloud Occupancy Functions},
author = {Pit Henrich and Franziska Mathis-Ullrich and Paul Maria Scheikl},
journal= {arXiv preprint arXiv:2411.08777},
year = {2025}
}
备注
Published in IEEE Transactions on Robotics (T-RO)