Where2Explore：面向关节物体未见新类别的少样本可供性学习

关节物体操控是机器人学中基础且具有挑战性的任务。由于物体类别间显著的几何与语义差异，以往的操控模型难以泛化到新类别。少样本学习通过让机器人对未见物体进行少量交互，是缓解该问题的一种有前景的方案。然而，现有方法往往需要对每个未见实例进行代价高昂且低效的测试时交互。认识到这一局限，我们观察到尽管形状各异，不同类别常共享对操控至关重要的相似局部几何，例如可拉手柄与可抓握边缘——这一因素在以往少样本学习工作中通常未被充分利用。为利用此共性，我们提出“Where2Explore”，一种可供性学习框架，能以在有限数量实例上的最少交互有效探索新类别。我们的框架显式估计不同类别间的几何相似性，识别与训练类别形状不同的局部区域以高效探索，同时将可供性知识迁移至物体相似部位。在仿真与真实环境中的大量实验证明了我们框架的高效少样本探索与泛化能力。