空间智能新进展：教机器人组装宜家家具，首次实现操作步骤与真实视频对齐 | NeurIPS
关注前沿科技约 6 分钟
克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
斯坦福吴佳俊团队，给机器人设计了一套组装
宜家家具
的视频教程！
具体来说，团队提出了用于机器人的大型多模态数据集
IKEA Video Manuals
，已入选NeurIPS。
数据集涵盖了6大类IKEA家具，每种家具都包含完整的3D模型、组装说明书和实际组装视频。
而且划分精细，拆解出的安装子步骤多达1000多个。
作者介绍，该数据集首次实现了组装指令在真实场景中的4D对齐，为研究这一复杂问题提供了重要基准。
知名科技博主、前微软策略研究者 Robert Scoble 说，有了这个数据集，机器人将可以学会自己组装家具。
这项工作将组装规划从2D推进到3D空间，通过理解底层视觉细节，解决了空间智能研究中的一个主要瓶颈。
1120个子步骤详述组装过程
IKEA Video Manuals数据集中，涵盖了6大类36种IKEA家具，从简单的凳子到复杂的柜子，呈现了不同难度的组装任务。
每一款家具，都包括以下三种模态：
-
安装说明书，提供了任务的整体分解和关键步骤；
-
真实组装视频，展示了详细的组装过程；
-
3D模型，定义了部件之间的精确空间关系。
并且这三种模态并非简单地堆砌在一起，作者通过对视频和操作步骤的拆解，将三种模态进行了精细的对齐。
举个例子，在这样一条关于长凳的数据当中，包含了其基本概况、视频信息、关键帧信息，以及安装步骤。
从下图中可以看出，安装步骤当中有主要步骤和子步骤的划分，还标注了对应的视频位置。
整个数据集中，共包含了137个手册步骤，根据安装视频被细分为了1120个具体子步骤，捕捉了完整的组装过程。
并且通过6D Pose追踪，每个部件的空间轨迹都被精确记录，最终在视频帧、家具组装说明书和3D模型之间建立了密集的对应关系。
时空信息精细标注
IKEA Video Manuals数据集是在IKEA-Manual和IKEA Assembly in the Wild （IAW） 两个数据集的基础上建立的。其中，IKEA-Manual数据集提供了模型及其对应说明书，IAW则包含了大量用户组装宜家家具的视频片段。
这些视频来自90多个不同的环境，包括室内外场景、不同光照条件，真实反映了家具组装的多样性。
与在实验室环境下采集的数据相比，这些真实视频带来了更丰富的挑战：
-
部件经常被手或其他物体遮挡；
-
相似部件识别（如四条一模一样的桌子腿）；
-
摄像机频繁移动、变焦，带来参数估计的困难；
-
室内外场景、不同光照条件下的多样性。
为了获得高质量的标注，应对真实视频带来的挑战，研究团队建立了一套可靠的标注系统：
-
识别并标注相机参数变化的关键帧，确保片段内的一致性；
-
结合2D-3D对应点和RANSAC算法进行相机参数估计；
-
通过多视角验证和时序约束保证标注质量。
首先，研究者们首先定义了一套层次化的装配过程描述框架，将整个装配过程分为步骤、子步骤和视频帧等多个层级。
作者首先从IAW数据集中提取每个手动步骤的视频片段，并将每个视频片段分解为更小的间隔（子步骤）。
对于每个子步骤，作者以1FPS的速度采样视频帧，并在每个子步骤的第一帧中标注出家具部件。
为了在整个组装视频中对家具部件进行跟踪，作者还在采样帧中为3D部件注释了2D图像分割掩码。
为了促进注释过程，研究团队开发了一个显示辅助2D和3D信息的Web界面，同时该界面还可基于Segment Anything Model （SAM） 模型进行交互式掩码注释。
标注过程中，标注人员会在3D模型上选中零件，然后在2D视频帧上指示其大致位置，并将其输入到SAM模型中以实时生成2D分割掩码。
为了解决SAM在提取具有相似纹理的部分之间或低光区域的边界方面的固有局限，作者还允许标注人员使用画笔和橡皮擦工具进行手动调整。
此外，作者还要估计视频中的相机参数，为此研究者们首先人工标记出视频帧中可能出现相机运动 （如焦距变化、切换视角等） 的位置，然后标注出视频帧和3D模型之间的2D-3D对应关键点。 最后，结合这两类标注信息，研究者们使用PnP （Perspective-n-Point） 算法估计出每段视频的相机内参数，得到相机参数的初始估计后，利用交互式工具来细化每个视频帧中零件的6D姿态。空间模型能力评估
基于IKEA Video Manuals数据集，团队设计了多个核心任务来评估当前AI系统在理解和执行家具组装，以及空间推理 （spatial reasoning） 方面的能力。 首先是 基于3D模型的分割 （Segmentation） 与 姿态估计 （Pose Estimation） 。此类任务输入3D模型和视频帧，要求AI准确分割出特定部件区域，并估计其在视频中的6自由度姿态。
△ 上：基于3D模型的分割，下：基于3D模型的姿态估计
实验测试了最新的分割模型 （CNOS, SAM-6D） 和姿态估计模型 （MegaPose） 。分析发现，它们在以下场景表现不佳：
-
遮挡问题：手部遮挡、近距离拍摄导致部分可见、遮挡引起的深度估计误差；
-
特征缺失：缺乏纹理的部件难以分割、对称部件的方向难以判断；
- 特殊拍摄角度 （如俯视） 导致的尺度误判。
△ 上：遮挡问题，左下：特征缺失，右下：特殊角度
第二类任务是 视频目标分割 ，作者对比测试了两个最新的视频追踪模型SAM2和Cutie。结果显示，在真实组装场景中，这些模型同样面临着三大挑战。
一是相机的运动，可能导致目标丢失。
最后，保持长时间追踪的准确度也存在一定难度。
第三类任务，是 基于视频的形状组装 。团队提出了一个创新的组装系统，包含关键帧检测、部件识别、姿态估计和迭代组装四个步骤。
实验采用两种设置：
-
使用GPT-4V自动检测关键帧：结果不理想，Chamfer Distance达0.55，且1/3的测试视频未能完成组装；
-
使用人工标注的关键帧：由于姿态估计模型的局限性，最终Chamfer Distance仍达0.33。
这些实验结果揭示了当前AI模型的两个关键局限：
-
视频理解能力不足：当前的视频模型对时序信息的分析仍然较弱，往往停留在单帧图像分析的层面；
- 空间推理受限：在真实场景的复杂条件下 （如光照变化、视角改变、部件遮挡等） ，现有模型的空间推理能力仍显不足。
作者简介
本项目第一作者，是斯坦福大学计算机科学硕士生刘雨浓 （Yunong Liu） 目前在斯坦福SVL实验室 （Vision and Learning Lab） ，由吴佳俊教授指导。其他作者情况如下：
https://yunongliu1.github.io/ikea-video-manual/
论文地址：
https://arxiv.org/abs/2411.11409 — 完 — 定档12月11日 「MEET2025智能未来大会」开启 报名 李开复 博士、 周志华 教授、智源研究院 王仲远 院长都来量子位 MEET2025智能未来大会 探讨行业破局之道了！ 首批嘉宾阵容在此 ， 观众报名通道已开启 ！ 欢迎来到MEET智能未来大会，期待与您一起预见智能科技新未来！ 点这里 👇 关注我，记得标星哦～ 一键三连「点赞」、「分享」和「在看」 科技前沿进展日日相见 ~