单目机器人也能抓起透明物体了
机器人精准抓取透明物体难题攻克！仅需单张图像，单目视觉即可实现！这项突破性成果由地瓜机器人和中科院自动化所等单位合作完成，其核心是名为MODEST的新型算法框架。该框架是一个多任务模型，能够同时进行透明物体的深度估计和语义分割。MODEST作为通用抓取模型的前端模块，无需额外传感器，即可高效、灵活地实现透明物体的抓取。相比其他双目或多视图方法，其效果更佳。这项技术可广泛应用于智能制造、实验室自动化和智慧家居等领域，显著提升机器人操作透明物体的能力，并降低设备成本。MODEST已入选ICRA20
机器人精准抓取透明物体难题攻克！仅需单张图像，单目视觉即可实现！
这项突破性成果由地瓜机器人和中科院自动化所等单位合作完成，其核心是名为MODEST的新型算法框架。该框架是一个多任务模型，能够同时进行透明物体的深度估计和语义分割。
MODEST作为通用抓取模型的前端模块，无需额外传感器，即可高效、灵活地实现透明物体的抓取。相比其他双目或多视图方法，其效果更佳。
这项技术可广泛应用于智能制造、实验室自动化和智慧家居等领域，显著提升机器人操作透明物体的能力，并降低设备成本。MODEST已入选ICRA 2025（IEEE机器人与自动化国际会议）。
挑战与突破
透明物体抓取的难点在于获取其准确的深度信息。传统方法依赖深度传感器或多视角重建，成本高且效率低。透明物体的折射和反射特性，以及在图像中缺乏清晰纹理等问题，都增加了感知难度。
MODEST框架创新性地解决了这些问题，它通过结合语义和几何信息的多任务框架，准确获取透明物体的深度信息，并结合点云抓取网络实现抓取。
算法详解
MODEST模型以单目RGB图像为输入，输出透明物体的分割结果和场景深度预测。其核心由编码、重组、语义几何融合和迭代解码四个模块构成。
基于注意力机制的语义几何融合模块，充分利用语义分割和深度估计任务间的互补信息，提升了整体性能。 此外，受人眼视觉启发，MODEST采用由粗到细的特征更新策略，进一步提高了预测精度。
实验结果
在Syn-TODD和ClearPose两个公开数据集上的实验表明，MODEST在深度估计和语义分割方面均显著优于其他先进方法，即使在人眼难以判断的场景下也能产生清晰的预测结果。
真实机器人平台的抓取实验也验证了MODEST的鲁棒性和泛化性。
其他成果及资源
除了MODEST，地瓜机器人研发的DOSOD开放词汇目标检测算法也入选ICRA 2025。 感兴趣的读者可访问以下链接了解更多信息：
MODEST文章地址：https://arxiv.org/pdf/2502.14616 MODEST代码地址：https://github.com/D-Robotics-AI-Lab/MODEST DOSOD文章地址：https://arxiv.org/abs/2412.14680 DOSOD代码地址：https://github.com/D-Robotics-AI-Lab/DOSOD?tab=readme-ov-file
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
AirBuddy 3 是面向 macOS 的蓝牙外设增强工具，可集中查看 AirPods、Beats 与苹果设备电量，提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。
AirServer macOS版可把 Mac 转换为无线投屏接收端，通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面，并支持多设备同时连接、高清镜像及会话录制，适合家庭娱乐、课堂教学、会议演示和应用展示。
Autodesk Maya 是面向影视、电视、动画和游戏行业的专业三维制作软件，集多边形与 NURBS 建模、角色绑定、关键帧和动作捕捉动画、Bifrost 特效模拟、材质开发及 Arnold 渲染于一体，
AirServer Windows版可把电脑变成AirPlay、Google Cast和Miracast无线投屏接收端，适合会议演示、课堂教学及家庭大屏分享。发送设备通常无需另装客户端，并可同时接收和智能排列多个镜像会话。