机器人拆硬盘不再瞎猜！GUARD用几何不确定性把分割精度从0.77拉到0.83
GUARD: Geometric Uncertainty-Aware Point Cloud Denoising and Segmentation for Robotic Hard Disk Drive Disassembly
📖 AI 总结
本文提出GUARD框架，用于机器人拆解硬盘驱动器（HDD）场景下的点云去噪与分割。研究指出，HDD点云中存在结构化“鬼影”伪影，其局部形态类似真实零件，却与整体几何不一致，导致仅凭语义预测置信度无法判断几何可靠性。GUARD将多尺度几何Transformer与多带宽随机傅里叶特征高斯过程结合，在单次前向传播中估计逐点几何不确定性，并辅以预测熵抑制不可靠测量、保留有效结构。在2745个真实HDD点云上，该方法将PointNet++分割平均交并比从0.7739提升至0.8318；在ScanNet人工标注样本上，几何不确定性检测损坏点的F1达0.7931，远高于预测熵的0.2212。研究揭示了伪影抑制与信息结构保留之间的权衡，为机器人拆解中的部件识别提供了可靠性感知的新思路。
🔑 关键词速览
| GUARD | 本文提出的几何不确定性感知框架，可在单次前向传播中同时完成点云过滤与分割。 |
| Geometric Uncertainty | 对学习到的几何表示可靠性的逐点量化估计，用于区分真实几何与扫描伪影。 |
| Multi-bandwidth Random Fourier Feature Gaussian Process | 一种多带宽随机傅里叶特征高斯过程，用于高效估计点云中的几何不确定性。 |
| Predictive Entropy | 语义预测分布的熵，反映语义置信度，但无法直接判断几何可靠性。 |
| Ghost Artifacts | 点云扫描或重建中产生的结构化伪影，局部看似有效部件但与整体几何不一致。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅