斯坦福吳佳俊團隊，給機器人設計了一套組裝宜家家具的視頻教程！

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

圖片

數據集涵蓋了6大類IKEA家具，每種家具都包含完整的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。

圖片

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，為研究這一復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家具。

圖片

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：

這項工作將組裝規劃從2D推進到3D空間，通過理解底層視覺細節，解決了空間智能研究中的一個主要瓶頸。

圖片

1120個子步驟詳述組裝過程

IKEA Video Manuals數據集中，涵蓋了6大類36種IKEA家具，從簡單的凳子到復雜的柜子，呈現了不同難度的組裝任務。

圖片

每一款家具，都包括以下三種模態：

• 安裝說明書，提供了任務的整體分解和關鍵步驟；
• 真實組裝視頻，展示了詳細的組裝過程；
• 3D模型，定義了部件之間的精確空間關系。

并且這三種模態并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。

圖片

舉個例子，在這樣一條關于長凳的數據當中，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，還標注了對應的視頻位置。

圖片

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為了1120個具體子步驟，捕捉了完整的組裝過程。

并且通過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、家具組裝說明書和3D模型之間建立了密集的對應關系。

時空信息精細標注

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家具的視頻片段。

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，真實反映了家具組裝的多樣性。

圖片

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：

• 部件經常被手或其他物體遮擋；
• 相似部件識別（如四條一模一樣的桌子腿）；
• 攝像機頻繁移動、變焦，帶來參數估計的困難；
• 室內外場景、不同光照條件下的多樣性。

圖片

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

• 識別并標注相機參數變化的關鍵幀，確保片段內的一致性；
• 結合2D-3D對應點和RANSAC算法進行相機參數估計；
• 通過多視角驗證和時序約束保證標注質量。

圖片

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，將整個裝配過程分為步驟、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，并將每個視頻片段分解為更小的間隔（子步驟）。

對于每個子步驟，作者以1FPS的速度采樣視頻幀，并在每個子步驟的第一幀中標注出家具部件。

圖片

為了在整個組裝視頻中對家具部件進行跟蹤，作者還在采樣幀中為3D部件注釋了2D圖像分割掩碼。

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

圖片

標注過程中，標注人員會在3D模型上選中零件，然后在2D視頻幀上指示其大致位置，并將其輸入到SAM模型中以實時生成2D分割掩碼。

為了解決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局限，作者還允許標注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，為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，然后標注出視頻幀和3D模型之間的2D-3D對應關鍵點。

最后，結合這兩類標注信息，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后，利用交互式工具來細化每個視頻幀中零件的6D姿態。

空間模型能力評估

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

首先是基于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，并估計其在視頻中的6自由度姿態。

圖片

△上：基于3D模型的分割，下：基于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：

• 遮擋問題：手部遮擋、近距離拍攝導致部分可見、遮擋引起的深度估計誤差；
• 特征缺失：缺乏紋理的部件難以分割、對稱部件的方向難以判斷；
• 特殊拍攝角度（如俯視）導致的尺度誤判。

圖片

△上：遮擋問題，左下：特征缺失，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，這些模型同樣面臨著三大挑戰。

一是相機的運動，可能導致目標丟失。

圖片

二是難以區分外觀相似的部件（如多個相同的桌腿）。

圖片

最后，保持長時間追蹤的準確度也存在一定難度。

第三類任務，是基于視頻的形狀組裝。

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。

實驗采用兩種設置：

• 使用GPT-4V自動檢測關鍵幀：結果不理想，Chamfer Distance達0.55，且1/3的測試視頻未能完成組裝；
• 使用人工標注的關鍵幀：由于姿態估計模型的局限性，最終Chamfer Distance仍達0.33。

圖片

這些實驗結果揭示了當前AI模型的兩個關鍵局限：

• 視頻理解能力不足：當前的視頻模型對時序信息的分析仍然較弱，往往停留在單幀圖像分析的層面；
• 空間推理受限：在真實場景的復雜條件下（如光照變化、視角改變、部件遮擋等），現有模型的空間推理能力仍顯不足。

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。

圖片

她本科畢業于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。

圖片

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

圖片

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。

圖片

圖片

其他作者情況如下：

圖片

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