TL;DR
- چکیده:.
- تخمین ژست شی 6 بعدی یک قابلیت اساسی برای عوامل تجسم یافته است،.
- اما در محیطهای جهان باز بسیار چالش برانگیز است.
چه اتفاقی افتاد
چکیده:. تخمین ژست شی 6 بعدی یک قابلیت اساسی برای عوامل تجسم یافته است،.
اما در محیطهای جهان باز بسیار چالش برانگیز است. بسیاری از روشهای موجود اغلب بر مفروضات مجموعه بسته یا طرحهای رگرسیون هندسی-آگنوستیک تکیه میکنند که تعمیم،.
پایداری و کاربرد بلادرنگ آنها را در سیستمهای روباتیک محدود میکند. ما OMNI-PoseX را ارائه میدهیم،.
یک مدل پایه بینایی که یک معماری شبکه جدید را معرفی میکند که ادراک واژگان باز را با. یک پیشبینیکننده حالت تطبیق جریان منعکسشده آگاه SO(3) یکسان میکند.
این معماری درک سطح شی را از استنتاج چرخش سازگار با هندسه جدا میکند و از یک استراتژی. همجوشی چندوجهی سبک وزن استفاده میکند که ویژگیهای هندسی حساس به چرخش را در تعبیههای معنایی فشرده شرایط.
میدهد و تخمین پوز 6 بعدی کارآمد و پایدار را ممکن میسازد. برای افزایش استحکام و تعمیم،.
این مدل بر روی مجموعه دادههای حالت 6 بعدی در مقیاس بزرگ آموزش داده شده است،. از تنوع گسترده اشیاء،.
تنوع دیدگاه و پیچیدگی صحنه برای ایجاد یک ستون فقرات پوز جهان باز مقیاسپذیر استفاده میکند. ارزیابیهای جامع در سراسر تخمین موقعیت معیار،.
مطالعات فرسایش،. تعمیم شات صفر،.
و یکپارچهسازی رباتیک درک سطح سیستم،. اثربخشی OMNI-PoseX را نشان میدهد.
OMNI-PoseX به دقت حالت SOTA و کارایی در زمان واقعی دست مییابد،. در حالی که پیش بینیهای هندسی ثابتی را ارائه میدهد که امکان درک قابل اعتماد از.
اجسام متنوع و قبلاً دیده نشده را فراهم میکند. رباتیک (cs.
RO) استناد بهعنوان: (یا v1 [cs. RO] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Wei Ying [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 06:.
07:. 52 UTC (6,.
064 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.