空间智能新进展：教机器人组装家具，实现操作步骤与真实视频对齐

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。

团队成员、斯坦福访问学者李曼玲（Manling Li）表示，这是空间智能领域的一项重要工作：

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。

二是难以区分外观相似的部件（如多个相同的桌腿）。

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。

她本科毕业于爱丁堡大学电子与计算机科学专业（荣誉学位），曾在德克萨斯大学奥斯汀分校从事研究实习。

斯坦福大学助理教授、清华姚班校友吴佳俊，是本项目的指导教授。

另据论文信息显示，斯坦福大学博士后研究员刘蔚宇（Weiyu Liu），与吴佳俊具有同等贡献。

此外，Salesforce AI Research研究主任Juan Carlos Niebles，西北大学计算机科学系助理教授、斯坦福访问学者李曼玲（Manling Li）等人亦参与了此项目。

其他作者情况如下：

项目主页：https://yunongliu1.github.io/ikea-video-manual/论文地址：https://arxiv.org/abs/2411.11409