Bayes3D：面向3D物体与场景结构化生成模型的快速学习与推理
机器人学
2023-12-15 v1
摘要
机器人尚无法匹敌人类快速学习新3D物体形状并在杂乱与遮挡条件下稳健识别它们的能力。我们提出了 Bayes3D，一个面向结构化3D场景的感知不确定性感知系统，能够在杂乱和遮挡情况下报告关于3D物体形状、位姿和场景构成的精确后验不确定性。Bayes3D 通过一种新颖的3D场景分层贝叶斯模型和一种 GPU 加速的由粗到细的序列蒙特卡洛算法实现了这些能力。定量实验表明，Bayes3D 能够仅从少数视角学习新物体的3D模型，比神经基线方法更稳健且所需训练数据少数个数量级，并在单个 GPU 上以快于实时的速度追踪3D物体。我们还展示了在桌面场景下应用于 Panda 机器人时，Bayes3D 能够学习复杂的3D物体模型并精确推断3D场景构成。
引用
@article{arxiv.2312.08715,
title = {Bayes3D: fast learning and inference in structured generative models of 3D objects and scenes},
author = {Nishad Gothoskar and Matin Ghavami and Eric Li and Aidan Curtis and Michael Noseworthy and Karen Chung and Brian Patton and William T. Freeman and Joshua B. Tenenbaum and Mirko Klukas and Vikash K. Mansinghka},
journal= {arXiv preprint arXiv:2312.08715},
year = {2023}
}