TReF-6：从单次演示推断任务相关坐标系以实现一次性技能泛化
TReF-6: Inferring Task-Relevant Frames from a Single Demonstration for One-Shot Skill Generalization
AI总结：
本文提出 TReF-6，从单条轨迹几何推断 6DoF 任务相关坐标系并结合 DMP、视觉—语言模型与 Grounded-SAM，实现跨场景、保持任务意图的一次性机器人操作技能泛化。
摘要：
机器人往往难以从单次演示中进行泛化，原因在于缺乏可迁移且可解释的空间表征。在本研究中，我们提出 TReF-6，这是一种从单条轨迹推断简化、抽象的 6DoF（六自由度）任务相关坐标系（Task-Relevant Frame）的方法。我们的方法完全基于轨迹几何识别一个影响点，用以定义局部坐标系的原点；该坐标系可作为参数化动态运动基元（Dynamic Movement Primitive，DMP）的参考。该影响点捕捉任务的空间结构，将标准 DMP 公式扩展到超越“起点—目标”模仿的范围。推断出的坐标系通过视觉—语言模型获得语义基础，并由 Grounded-SAM 在新场景中完成定位，从而实现功能一致的技能泛化。我们在仿真中验证了 TReF-6，并证明其对轨迹噪声具有鲁棒性。我们进一步在真实世界操作任务上部署了端到端流程，结果表明 TReF-6 支持一次性模仿学习，可在多样物体配置下保持任务意图。
英文摘要：
Robots often struggle to generalize from a single demonstration due to the lack of a transferable and interpretable spatial representation. In this work, we introduce TReF-6, a method that infers a simplified, abstracted 6DoF Task-Relevant Frame from a single trajectory. Our approach identifies an influence point purely from the trajectory geometry to define the origin for a local frame, which serves as a reference for parameterizing a Dynamic Movement Primitive (DMP). This influence point captures the task's spatial structure, extending the standard DMP formulation beyond start-goal imitation. The inferred frame is semantically grounded via a vision-language model and localized in novel scenes by Grounded-SAM, enabling functionally consistent skill generalization. We validate TReF-6 in simulation and demonstrate robustness to trajectory noise. We further deploy an end-to-end pipeline on real-world manipulation tasks, showing that TReF-6 supports one-shot imitation learning that preserves task intent across diverse object configurations.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
