Generative 3D Teilemontage durch dynamisches Graphlernen

Die autonome Teilemontage ist eine herausfordernde, aber entscheidende Aufgabe in der 3D-Computer vision und Robotik. Analog zum Kauf von IKEA-Möbeln muss ein intelligenter Agent, gegeben eine Reihe von 3D-Teilen, die eine einzige Form montieren können, die 3D-Teilgeometrie wahrnehmen, logisch Schlussfolgerungen ziehen, um Pose-Schätzungen für die Eingabeteile vorzuschlagen, und schließlich Robotik-Planungs- und Steuerungsroutinen für die Aktuation aufrufen. In diesem Papier konzentrieren wir uns auf das Teilproblem der Pose-Schätzung von der Sichtseite, das geometrisches und relationelles Reasoning über die Eingabeteilgeometrie beinhaltet. Grundsätzlich besteht die Aufgabe der generativen 3D-Teilemontage darin, eine 6-DoF-Teilepose, einschließlich einer starren Rotation und Translation, für jedes Eingabeteil, das eine einzelne 3D-Form als Endoutput montiert. Um dieses Problem anzugehen, schlagen wir ein montagespezifisches dynamisches Graphlernframework vor, das ein iteratives Graphneuronales Netzwerk als Rückgrat nutzt. Es führt explizit sequenzielle Teilemontageverfeinerungen in einem grob-zum-fein Verfahren durch, nutzt ein Paar von Modul für relationelles Reasoning zwischen Teilen und ein Modul zur Teilaggregierung, um sowohl Teilmerkmale als auch ihre Beziehungen im Teilgraphen dynamisch anzupassen. Wir führen umfangreiche Experimente und quantitative Vergleiche mit drei starken Basislinienmethoden durch, um die Effektivität des vorgeschlagenen Ansatzes zu demonstrieren.