CPPF：面向真实场景下鲁棒的类级别9D位姿估计
计算机视觉与模式识别
2022-03-29 v2 机器人学
摘要
在本文中，我们解决给定单张RGB-D帧的真实场景下类级别9D位姿估计问题。使用真实世界9D位姿的监督数据是繁琐且易错的，并且也无法泛化到未见过的场景。此外，类级别位姿估计要求方法能够在测试时泛化到未见过的物体，这也具有挑战性。受传统点对特征（PPFs）的启发，本文中我们设计了一种新颖的类级别PPF（CPPF）投票方法，以在真实场景下实现准确、鲁棒且可泛化的9D位姿估计。为获得鲁棒位姿估计，我们在物体上采样大量点对，并对每对点我们的模型预测关于物体中心、方向和尺度的必要SE(3)不变投票统计量。提出了一种新颖的由粗到细投票算法来剔除噪声点对样本并从样本中生成最终预测。为消除方向投票过程中的假阳性，对每个采样点对引入了辅助的二值消歧分类任务。为检测真实场景中的物体，我们精心设计了仅使用合成点云训练的sim-to-real流程，除非物体在几何上姿态模糊。在此情况下，利用颜色信息来消歧这些姿态。在标准基准上的结果表明，我们的方法与当前使用真实世界训练数据的先进方法相当。大量实验进一步表明，我们的方法对噪声鲁棒，并在极具挑战性的场景下给出了有前景的结果。我们的代码可在 https://github.com/qq456cvb/CPPF 获取。
引用
@article{arxiv.2203.03089,
title = {CPPF: Towards Robust Category-Level 9D Pose Estimation in the Wild},
author = {Yang You and Ruoxi Shi and Weiming Wang and Cewu Lu},
journal= {arXiv preprint arXiv:2203.03089},
year = {2022}
}
备注
Accepted to CVPR2022