空間智能新進展：教機器人組裝傢俱，實現操作步驟與真實視頻對齊

斯坦福吳佳俊團隊，給機器人設計了一套組裝宜家傢俱的視頻教程！

具體來說，團隊提出了用於機器人的大型多模態數據集IKEA Video Manuals，已入選NeurIPS。

數據集涵蓋了6大類IKEA傢俱，每種傢俱都包含完整的3D模型、組裝說明書和實際組裝視頻。

而且劃分精細，拆解出的安裝子步驟多達1000多個。

作者介紹，該數據集首次實現了組裝指令在真實場景中的4D對齊，爲研究這一複雜問題提供了重要基準。

知名科技博主、前微軟策略研究者Robert Scoble說，有了這個數據集，機器人將可以學會自己組裝傢俱。

團隊成員、斯坦福訪問學者李曼玲（Manling Li）表示，這是空間智能領域的一項重要工作：

IKEA Video Manuals數據集中，涵蓋了6大類36種IKEA傢俱，從簡單的凳子到複雜的櫃子，呈現了不同難度的組裝任務。

每一款傢俱，都包括以下三種模態：

並且這三種模態並非簡單地堆砌在一起，作者通過對視頻和操作步驟的拆解，將三種模態進行了精細的對齊。

舉個例子，在這樣一條關於長凳的數據當中，包含了其基本概況、視頻信息、關鍵幀信息，以及安裝步驟。

從下圖中可以看出，安裝步驟當中有主要步驟和子步驟的劃分，還標註了對應的視頻位置。

整個數據集中，共包含了137個手冊步驟，根據安裝視頻被細分爲了1120個具體子步驟，捕捉了完整的組裝過程。

並且通過6D Pose追蹤，每個部件的空間軌跡都被精確記錄，最終在視頻幀、傢俱組裝說明書和3D模型之間建立了密集的對應關係。

IKEA Video Manuals數據集是在IKEA-Manual和IKEA Assembly in the Wild（IAW）兩個數據集的基礎上建立的。

其中，IKEA-Manual數據集提供了模型及其對應說明書，IAW則包含了大量用戶組裝宜家傢俱的視頻片段。

這些視頻來自90多個不同的環境，包括室內外場景、不同光照條件，真實反映了傢俱組裝的多樣性。

與在實驗室環境下采集的數據相比，這些真實視頻帶來了更豐富的挑戰：

爲了獲得高質量的標註，應對真實視頻帶來的挑戰，研究團隊建立了一套可靠的標註系統：

首先，研究者們首先定義了一套層次化的裝配過程描述框架，將整個裝配過程分爲步驟、子步驟和視頻幀等多個層級。

作者首先從IAW數據集中提取每個手動步驟的視頻片段，並將每個視頻片段分解爲更小的間隔（子步驟）。

對於每個子步驟，作者以1FPS的速度採樣視頻幀，並在每個子步驟的第一幀中標註出家具部件。

爲了在整個組裝視頻中對傢俱部件進行跟蹤，作者還在採樣幀中爲3D部件註釋了2D圖像分割掩碼。

爲了促進註釋過程，研究團隊開發了一個顯示輔助2D和3D信息的Web界面，同時該界面還可基於Segment Anything Model（SAM）模型進行交互式掩碼註釋。

標註過程中，標註人員會在3D模型上選中零件，然後在2D視頻幀上指示其大致位置，並將其輸入到SAM模型中以實時生成2D分割掩碼。

爲了解決SAM在提取具有相似紋理的部分之間或低光區域的邊界方面的固有侷限，作者還允許標註人員使用畫筆和橡皮擦工具進行手動調整。

此外，作者還要估計視頻中的相機參數，爲此研究者們首先人工標記出視頻幀中可能出現相機運動（如焦距變化、切換視角等）的位置，然後標註出視頻幀和3D模型之間的2D-3D對應關鍵點。

最後，結合這兩類標註信息，研究者們使用PnP （Perspective-n-Point）算法估計出每段視頻的相機內參數，得到相機參數的初始估計後，利用交互式工具來細化每個視頻幀中零件的6D姿態。

基於IKEA Video Manuals數據集，團隊設計了多個核心任務來評估當前AI系統在理解和執行傢俱組裝，以及空間推理（spatial reasoning）方面的能力。

首先是基於3D模型的分割（Segmentation）與姿態估計 （Pose Estimation）。

此類任務輸入3D模型和視頻幀，要求AI準確分割出特定部件區域，並估計其在視頻中的6自由度姿態。

△上：基於3D模型的分割，下：基於3D模型的姿態估計

實驗測試了最新的分割模型（CNOS, SAM-6D）和姿態估計模型（MegaPose）。

分析發現，它們在以下場景表現不佳：

△上：遮擋問題，左下：特徵缺失，右下：特殊角度

第二類任務是視頻目標分割，作者對比測試了兩個最新的視頻追蹤模型SAM2和Cutie。

結果顯示，在真實組裝場景中，這些模型同樣面臨着三大挑戰。

一是相機的運動，可能導致目標丟失。

二是難以區分外觀相似的部件（如多個相同的桌腿）。

最後，保持長時間追蹤的準確度也存在一定難度。

第三類任務，是基於視頻的形狀組裝。

團隊提出了一個創新的組裝系統，包含關鍵幀檢測、部件識別、姿態估計和迭代組裝四個步驟。

實驗採用兩種設置：

這些實驗結果揭示了當前AI模型的兩個關鍵侷限：

作者簡介

本項目第一作者，是斯坦福大學計算機科學碩士生劉雨濃（Yunong Liu）目前在斯坦福SVL實驗室（Vision and Learning Lab），由吳佳俊教授指導。

她本科畢業於愛丁堡大學電子與計算機科學專業（榮譽學位），曾在德克薩斯大學奧斯汀分校從事研究實習。

斯坦福大學助理教授、清華姚班校友吳佳俊，是本項目的指導教授。

另據論文信息顯示，斯坦福大學博士後研究員劉蔚宇（Weiyu Liu），與吳佳俊具有同等貢獻。

此外，Salesforce AI Research研究主任Juan Carlos Niebles，西北大學計算機科學系助理教授、斯坦福訪問學者李曼玲（Manling Li）等人亦參與了此項目。

其他作者情況如下：

項目主頁：https://yunongliu1.github.io/ikea-video-manual/論文地址：https://arxiv.org/abs/2411.11409