从示范中学习多关节关节物体的顺序运动学模型

本研究解决了现有方法在处理多自由度物体时的局限性，尤其是在 occluded joints 和操作序列方面的不足。提出的物体运动学序列机器（OKSMs）能够捕捉运动约束和操作顺序，通过Pokenet 网络从人类示范中学习模型，显著提高了关节轴和状态估计的准确性。所提出的方法在模拟和真实世界样本上均取得了优异表现，具有广泛的应用潜力。