arXiv · cs.AI· Guoqin Tang, Qingxuan Jia, Yichen Tan, Zihang Lv, Ruiquan Wang, Zeyuan Huang, Gang Chen·· 1 天前
OV-PEAR提出未知工业物体的观测验证位姿尺度估计与三维重建框架
OV-PEAR: Observation-Verified Pose-Scale Estimation and Reconstruction for Unknown Industrial Manipulation Objects
arXiv:2610.25840v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Guoqin Tang, Qingxuan Jia, Yichen Tan, Zihang Lv, Ruiquan Wang, Zeyuan Huang, Gang Chen
研究任务与主要进展
OV-PEAR面向未知工业物体，提出从RGB-D实例分割、物体级三维假设到机器人坐标系定位，再到多视角证据验证的三阶段位姿尺度估计与三维重建流程。基于论文摘要，该方法在BOP-Industrial上达到0.657平均AR，并在真实机器人连接器装配中实现99.67%抓取成功率和84.00%装配成功率；模型库与位姿尺度日志支持0.02 ms/帧的短期对象级状态维护。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org