文章核心观点 - 由北京智源研究院、清华大学、南洋理工大学等机构联合提出的OnePoseViaGen技术，是解决具身智能领域6D物体位姿估计关键瓶颈的颠覆性方案 [2][3] - 该方案无需预设3D模型，仅凭单张参考图即可完成未知物体的精准6D位姿估计，在权威基准测试和真实机器人操作中均显著超越现有主流方法 [3][16] - 该技术通过“单视图3D生成 + 粗精对齐 + 文本引导域随机化”的组合拳，为机器人与物理世界的精准交互补上了“空间感知”的关键一环，推动机器人从“特定场景”向“开放世界”交互迈进 [3][30] 技术方案与流程 - 方案遵循“先解决3D模型缺失问题，再校准真实尺度与位姿，最后缩小域差距提升鲁棒性”的递进逻辑，整体流程环环相扣 [6][8] - 基于法向量引导从单张RGB-D锚点图像生成标准化的3D纹理网格模型，无需多视图或预训练3D模型 [9][10] - 采用粗到精的两步对齐策略：粗对齐通过多视图渲染与特征匹配快速获得初始尺度和位姿；精对齐通过迭代优化进一步提升位姿与尺度的精度 [11][13][14] - 引入文本引导的生成式域随机化策略，通过生成结构一致但纹理多样的3D变体并渲染合成数据，以缩小生成模型与真实图像的域差距，提升模型鲁棒性 [15] 性能表现与基准测试 - 在YCBInEOAT数据集上，平均ADD指标达到81.27%，平均ADD-S指标达到93.10%，远超Oryon（ADD 1.1%）、LoFTR（ADD 4.0%）和Any6D（ADD 45.6%）等主流方法 [17] - 在高挑战性物体上表现突出，例如在“sugar_box1”任务中ADD达75.63%（Any6D为14.3%），在“tomato_soup_can_yalehand0”任务中ADD达77.72%（Any6D为0.0%） [17] - 在TOYL数据集上，AR指标达55.7%，比次优方法Any6D（43.3%）高出12.4个百分点；MSSD指标达67.0%，VSD指标达35.1%，比Any6D（15.8%）高出19.3个百分点 [18] - 在高遮挡无纹理的LM-O数据集上，整体AR指标达到74.8%，远超GigaPose（17.5%）和Any6D（28.6%），即使在严重遮挡情况下估计的渲染轮廓仍与真实物体边缘高度重合 [19][21] 真实世界应用验证 - 在真实机器人操作实验中，整体任务成功率达到73.3%，显著高于基线方法SRT3D（6.7%）和DeepAC（16.7%） [23][24] - 成功完成单臂抓取-放置和双臂交接两类任务，即使在抓取过程中出现手部遮挡，仍能通过3D模型的几何约束精准估计位姿，避免抓取失败 [22][26] - 定性结果显示生成的3D模型与真实物体在纹理、结构上高度一致，估计的位姿能精准指导机械臂完成灵巧抓取操作 [26] 技术模块必要性验证 - 消融实验表明，完整的“粗到精对齐”模块对性能至关重要，移除该模块后AR指标从55.7%降至0.0% [27][29] - 生成式域随机化微调被证明是提升方法鲁棒性的关键，使用多样化微调的策略相比朴素微调或无需微调能显著提升性能 [27][29]