杂乱场景中基于深度强化学习的主动 6D 多物体位姿估计
计算机视觉与模式识别
2019-10-22 v1 机器人学
摘要
本工作中，我们探索如何策略性地选择相机运动，以在杂乱场景中促进 6D 多物体位姿估计任务，同时尊重机器人与增强现实应用中的重要现实约束，如时间与行进距离。在所提框架中，一组多物体假设被提供给智能体，该假设由物体位姿估计器推断，随后由融合函数进行时空筛选，该函数利用验证分数从而避免对真值标注的需求。智能体对这些假设进行推理，将注意力导向其最不确定的物体，并将相机移向该物体。与先前提出短视策略的工作不同，我们的智能体在模拟场景中利用强化学习训练，试图学习在给定时空预算下产生最准确物体位姿假设的相机运动，且推断时无需视角渲染。实验表明，所提方法在具有挑战性的杂乱合成与真实场景中成功估计堆叠物体的 6D 位姿，相较强基线展现出更优性能。
引用
@article{arxiv.1910.08811,
title = {Active 6D Multi-Object Pose Estimation in Cluttered Scenarios with Deep Reinforcement Learning},
author = {Juil Sock and Guillermo Garcia-Hernando and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1910.08811},
year = {2019}
}