受约束操作下可变形线性对象的统一生成状态估计与跟踪
机器人学
2025-12-22 v1
摘要
可变形线性对象（DLOs，如电缆、绳索和线缆）的感知是成功后续操作的基石。尽管已广泛探索视觉方法，但这些方法在受约束操作环境中极易受到遮挡影响，这类遮挡因周围障碍物、大幅变形以及视角有限而常见。此外，状态空间的高维度、缺乏鲜明视觉特征以及传感器噪声的存在进一步恶化了可靠 DLO 感知的挑战。为此，本文提出了 UniStateDLO，首个采用深度学习方法实现完整 DLO 感知管线，能在严重遮挡下保持稳健性能，涵盖单帧状态估计与跨帧状态跟踪。两项任务均被形式化为条件生成问题，利用扩散模型捕捉高度部分观测与高维 DLO 状态间复杂映射。UniStateDLO 能处理各种遮挡模式，包括初始遮挡、自遮挡以及多物体遮挡。此外，它展现出强大的数据效率，仅需大规模合成数据训练，即可实现零样本仿真到真实的泛化。综合的仿真与真实实验表明，UniStateDLO 在估计与跟踪中均超越所有最新基线，能在实时内产生全局光滑且局部精确的 DLO 状态预测，即便在严重遮挡下也能如此。将其作为闭环 DLO 操作系统的前端模块进一步表明，其能在复杂受约束的三维环境中支持稳定的反馈控制。
引用
@article{arxiv.2512.17764,
title = {UniStateDLO: Unified Generative State Estimation and Tracking of Deformable Linear Objects Under Occlusion for Constrained Manipulation},
author = {Kangchen Lv and Mingrui Yu and Shihefeng Wang and Xiangyang Ji and Xiang Li},
journal= {arXiv preprint arXiv:2512.17764},
year = {2025}
}
备注
The first two authors contributed equally. Project page: https://unistatedlo.github.io