1

我们提出了Manual-PA，一种基于Transformer的框架，通过利用装配说明书中的图示信息，引导家具零件的选择与6D位姿估计，实现高效且真实的3D装配，能够将零件与说明书图示进行语义对齐。

我们提出了Pos3R，一种利用3D基础模型、无需训练即可从单张RGB图像估算任意物体6D位姿的方法，无需姿态监督或特定任务训练。

我们提出了一种新方法，通过建模说明书步骤图之间的关系和时序，实现了在视频中同时定位多个步骤图，而非单独处理每一步。

我们提出了一套新框架和数据集（IAW），用于将装配说明书中的图示步骤与真实世界的装配视频片段进行对齐，实现图文与视频间的跨模态检索和逐步对应。

GoferBot 是一种创新的装配系统，通过纯粹依赖视觉感知中的隐式语义信息，实现了所有子模块的无缝集成。