UniGarmentManip: A Unified Framework for Category-Level Garment Manipulation via Dense Visual Correspondence

服装操作（如展开、折叠和挂衣服）对于未来的家庭助理机器人来说是必不可少的，但由于服装配置、几何形状和变形的多样性，这也是极具挑战性的。尽管之前的研究能够在某些任务中操作形状类似的服装，但大多需要为不同的任务设计不同的策略，无法推广到具有不同几何形状的服装，并且往往严重依赖于人工标注的数据。在本文中，我们利用了这样一个特性，即某一类服装具有相似的结构，并通过自监督的方式学习该类别内服装的拓扑密集（点级）视觉对应关系，包括不同变形。这种拓扑对应关系可以很容易地适应于功能对应关系，以引导各种下游任务的操作策略，仅需一次或少量演示。在不同场景下使用一个或两个手臂，进行一步或多步操作，输入平整或杂乱的服装，对三个不同类别的服装进行了三项代表性任务的实验，证明了我们提出的方法的有效性。项目页面：https://warshallrho.github.io/unigarmentmanip。

解决问题：论文试图解决衣物操作中的形态多样性和几何变形问题，以及如何在无监督学习的情况下，实现对衣物的自适应操作。

关键思路：利用衣物在同一类别中具有相似结构的特点，以自监督学习的方式学习衣物之间的拓扑密集视觉对应关系，并将其转化为功能对应关系，以引导各种下游任务的操作策略。

亮点：论文在三个不同类别的衣物上进行了实验，验证了该方法的有效性。实验设计了多种场景和任务，使用了单臂或双臂，输入平整或凌乱的衣物。此外，论文还提供了项目页面和开源代码。

相关研究：近期的相关研究包括“Learning to Fold Clothes with Deep Reinforcement Learning”和“Robotic Clothing Assistance for People with Disabilities: A Review”，其中前者探索了基于强化学习的衣物折叠，而后者对残疾人的衣物辅助提供了综述。