ScrewSplat：用于关节物体识别的端到端方法

关节物体识别——即识别具有可移动部件的对象的几何和运动关节，是机器人与日常物品如门和笔记本电脑交互的关键。然而，现有方法往往依赖强假设，如已知关节部件的数量；需要额外的输入，如深度图像；或涉及复杂的中间步骤，这些步骤可能引入潜在错误——限制了其在真实世界环境中的实用性。在本文中，我们引入了 ScrewSplat，一种仅基于 RGB 观察即可运行的简单 end-to-end 方法。我们的 approach 从随机初始化 screw axes 开始，然后迭代优化以恢复对象的底层 kinematic 结构。通过与 Gaussian Splatting 集成，我们能够同时重建 3D 几何并将对象分割为刚性、可移动部件。我们展示了该方法在 diverse set of articulated objects 上实现了 state-of-the-art recognition accuracy，并进一步实现了使用恢复的 kinematic model 进行 zero-shot、text-guided manipulation。项目网址为：https://screwsplat.github.io。