FAMOS：从几次观察中看懂柜门怎么动

机器人 / 三维视觉 · 8.3/10 · 持续观察

机器人看到一个柜子，光认出“这是柜子”还不够：哪一块能动，是拉开还是旋转，转轴在哪里？FAMOS 把物体处于不同状态时的几份稀疏点云放到一起，预测活动部件与关节。输入并不要求是完整、按时间排好的动作录像。

方法的关键，是交替比较单次观察里的形状和多次观察之间的变化。团队还用程序生成带有已知结构的物体，再与人工制作的资产混合训练，让模型学到的不只是某种柜门的外观，也包括部件之间怎样运动。

作者在单张 RTX 5090 上报告：两个状态、每个状态2048个点的配置，推理耗时65.6毫秒。这从已有点云开始计算，不包含把相机画面重建成点云的整个过程。论文中的可动范围辅助任务，也只对应观察到的运动跨度，不能当成物体的完整机械限位。

它补的是操作之前的结构理解，还没有证明机器人因此能可靠地开门、拿东西。陌生形状、很小的部件和噪声点云仍容易出错；当前还主要处理活动部件直接连接固定主体的简单结构。先读失败案例，再看演示，更容易判断它离自己的场景有多远。