Learning Distributional Demonstration Spaces for Task-Specific Cross-Pose Estimation

相对位置任务是一类重要的任务，其中一个物体需要相对于另一个物体放置在所需的姿态中。先前的研究表明，在使用具有几何归纳偏差的关系推理网络时，从仅有少量演示中学习相对位置任务是成功的。然而，这种方法不能灵活地表示多模态任务，比如一个杯子挂在n个架子上的任何一个上。我们提出了一种方法，它结合了其他属性，使得学习多模态相对位置解决方案成为可能，同时保留了先前研究的可证明的平移不变性和关系属性。我们展示了我们的方法能够在一个类别的各种不同物体上，仅通过10-20个多模态演示而无需人工注释，学习精确的相对位置任务。

本文旨在解决相对放置任务的多模态性问题，即如何让机器学会处理一些相对放置任务，如将杯子放在n个架子中的任意一个上面。同时，还试图保持之前的方法的平移不变性和关系属性。

本文提出了一种方法，通过引入额外的属性来学习多模态相对放置任务的解决方案，同时保持之前方法的平移不变性和关系属性。

本文的方法能够在没有人类注释的情况下，仅通过10-20个多模态演示，学会处理不同类别物体之间的精确相对放置任务。实验结果表明，该方法相比之前的方法具有更好的灵活性和泛化性能。

在这个领域中，之前的工作主要是基于关系推理网络和几何归纳偏差的方法。而本文则是通过引入额外的属性来解决多模态相对放置任务的问题。相关的研究包括：《Relational reasoning with partially ordered sets》、《Geometric deep learning on graphs and manifolds using mixture model CNNs》等。