先想象再验证：杂乱场景中针对功能部位的主动抓取感知

面向任务的抓取（TOG）要求机器人抓取物体的功能部分（例如，用于倒水的杯子的手柄），但这些可供性区域经常在杂乱的场景中被遮挡。通过次最佳视图 (NBV) 规划的主动感知可以通过移动相机以获得更多信息的观察来解决此类遮挡问题。然而，现有的 NBV 方法通常会优化从整体上把握目标对象的视点，而不区分哪个部分与任务相关。在预测可供性之前完全扫描目标对象的天真适应会在与任务无关的表面（例如，用于倒水的杯子主体）上浪费大部分视点预算。为了解决这个问题，我们提出了 ATAP，一种以可供性为目标的主动感知框架，它将视点规划从详尽的目标扫描转变为有针对性的可供性验证。 ATAP 通过生成形状先验假设被遮挡的目标几何形状，并预测想象的完整表面上的可供性分布。在杂乱的场景中，严重的遮挡可能会使隐藏可供性的位置变得模糊，从而在部分观察的情况下使多个位置看起来合理。因此，ATAP 引入了一种不确定性感知的视点规划器，该规划器可以联合优化这些竞争假设的预期熵减少以及来自实际观察的预期可供性验证增益。这个过程不断迭代，直到可供性得到充分验证以用于掌握执行。模拟和现实杂乱场景中的实验表明，与固定视图 TOG 基线相比，ATAP 显着提高了功能抓取成功率，并且优于基于重建的主动感知，NBV 步骤减少了 57% 以上。