罗格斯大学(RutgersUniversity)的研究人员最近开发了一种概率方法，用于在机器人操纵未知对象的情况下构建3D模型。在arXiv上预先发表的一篇论文中概述了他们的方法，该方法使用物理引擎来验证仿真中假设的几何形状。
大多数灵长类动物在其生命的早期自然就会学会操纵各种物体。到目前为止，在机器人中复制这种看似微不足道的功能非常困难。
过去的研究试图使用各种操纵算法来实现这一目标，这些操纵算法通常需要了解与机器人将操纵的物体相关的几何模型。如果预先知道机器人遇到的对象，则这些模型很有用，但是当这些对象未知时，它们通常会失败。
罗格斯大学(RutgersUniversity)的研究人员在论文中写道：“我们特别考虑在包含以前看不见的物体的一堆堆杂物中进行操纵，”“这项工作的新颖方面之一是利用物理引擎来验证仿真中假设的几何形状。物理仿真提供的证据用于概率框架，该框架说明了物体的机械特性不确定的事实。”
研究人员开发的集成系统具有多个组件：机器人操纵器，分段和聚类模块以及逆物理推理单元。机器人操纵器旨在推动或戳破一堆杂物中的对象，而分段和聚类模块可以检测RGB-D图像中的对象。
最后，逆向物理推理单元是其方法的独特之处，它通过重播机器人在模拟中的动作来推断出对象的缺失部分。本质上，该单元使用多个假设的形状，并为与观察到的RGB-D图像最匹配的形状分配更高的概率。
研究人员开发了一种逆物理推理(IPR)算法，该算法可以根据观察到的运动和相互影响来推断出物体的被遮挡部分。为了训练和评估他们的系统，他们使用了两个数据集：Voxlets数据集和使用YCB基准对象创建的新数据集。Voxlets数据集包含桌面对象的静态图像，而由它们编译的新颖数据库包含更密集的对象堆。
