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态數據集IKEA Video Manuals，已入選 NeurIPS。
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。
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，爲研究這一複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，機器人将可以學會自己組裝家具。
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：
這項工作将組裝規劃從 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。
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，從簡單的凳子到複雜的櫃子，呈現了不同難度的組裝任務。
每一款家具，都包括以下三種模态：
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确空間關系。
并且這三種模态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，将三種模态進行了精細的對齊。
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，還标注了對應的視頻位置。
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爲了 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，每個部件的空間軌迹都被精确記錄，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。
時空信息精細标注
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，包括室内外場景、不同光照條件，真實反映了家具組裝的多樣性。
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；
相似部件識别（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；
室内外場景、不同光照條件下的多樣性。
爲了獲得高質量的标注，應對真實視頻帶來的挑戰，研究團隊建立了一套可靠的标注系統：
識别并标注相機參數變化的關鍵幀，确保片段内的一緻性；
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标注質量。
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，将整個裝配過程分爲步驟、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，并将每個視頻片段分解爲更小的間隔（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标注出家具部件。
爲了在整個組裝視頻中對家具部件進行跟蹤，作者還在采樣幀中爲 3D 部件注釋了 2D 圖像分割掩碼。
爲了促進注釋過程，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。
标注過程中，标注人員會在 3D 模型上選中零件，然後在 2D 視頻幀上指示其大緻位置，并将其輸入到 SAM 模型中以實時生成 2D 分割掩碼。
爲了解決 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，作者還允許标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，爲此研究者們首先人工标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，然後标注出視頻幀和 3D 模型之間的 2D-3D 對應關鍵點。
最後，結合這兩類标注信息，研究者們使用 PnP （Perspective-n-Point）算法估計出每段視頻的相機内參數，得到相機參數的初始估計後，利用交互式工具來細化每個視頻幀中零件的 6D 姿态。
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）與姿态估計 （Pose Estimation）。
此類任務輸入 3D 模型和視頻幀，要求 AI 準确分割出特定部件區域，并估計其在視頻中的 6 自由度姿态。
△上：基于 3D 模型的分割，下：基于 3D 模型的姿态估計
實驗測試了最新的分割模型（CNOS, SAM-6D）和姿态估計模型（MegaPose）。
分析發現，它們在以下場景表現不佳：
遮擋問題：手部遮擋、近距離拍攝導緻部分可見、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）導緻的尺度誤判。
△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标分割，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，這些模型同樣面臨着三大挑戰。
一是相機的運動，可能導緻目标丢失。
二是難以區分外觀相似的部件（如多個相同的桌腿）。
最後，保持長時間追蹤的準确度也存在一定難度。
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、部件識别、姿态估計和叠代組裝四個步驟。
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；
使用人工标注的關鍵幀：由于姿态估計模型的局限性，最終 Chamfer Distance 仍達 0.33。
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：在真實場景的複雜條件下（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。
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。
另據論文信息顯示，斯坦福大學博士後研究員劉蔚宇（Weiyu Liu），與吳佳俊具有同等貢獻。
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。
其他作者情況如下：
項目主頁：
https://yunongliu1.github.io/ikea-video-manual/
論文地址：
https://arxiv.org/abs/2411.11409
