可证明的 3D 物体位姿估计：基础、学习模型与自训练
计算机视觉与模式识别
2023-05-02 v4 机器学习
机器人学
摘要
我们考虑一个可证明的物体位姿估计问题，其中——给定物体的部分点云——目标不仅是估计物体位姿，还要为所得估计提供正确性证书。我们的第一个贡献是面向端到端感知模型的通用证明理论。特别地，我们引入 -正确性概念，其界定了估计值与真实值之间的距离。我们表明，-正确性可通过实现两个证书来评估：(i) 可观测正确性证书，断言模型输出是否与输入数据和先验信息一致；(ii) 非退化证书，断言输入数据是否足以计算出唯一估计。我们的第二个贡献是应用该理论并设计一种新的基于学习的可证明位姿估计器。我们提出 C-3PO，一种基于语义关键点的位姿估计模型，并增补上述两个证书，以解决可证明位姿估计问题。C-3PO 还包括一个关键点校正器，实现为可微优化层，可纠正较大的检测误差（例如由于仿真到现实的差距）。我们的第三个贡献是一种新颖的自监督训练方法，使用我们的可观测正确性证书在训练期间为 C-3PO 提供监督信号。其中，模型在每次训练迭代中仅对可观测正确的输入输出对进行训练。随着训练推进，我们看到可观测正确的输入输出对增多，最终在许多情况下接近 100%。我们的实验表明：(i) 标准基于语义关键点的方法优于更近的替代方法，(ii) C-3PO 进一步提升性能并显著优于所有基线，(iii) C-3PO 的证书能够辨别正确的位姿估计。
引用
@article{arxiv.2206.11215,
title = {Certifiable 3D Object Pose Estimation: Foundations, Learning Models, and Self-Training},
author = {Rajat Talak and Lisa Peng and Luca Carlone},
journal= {arXiv preprint arXiv:2206.11215},
year = {2023}
}