基于极少标注的实例特定6自由度物体位姿估计
计算机视觉与模式识别
2022-07-28 v1 机器人学
摘要
在许多机器人应用中，已知刚性物体的6自由度位姿估计及其后续抓取所处的环境设置几乎不变，甚至机器人可提前获知。本文将此问题称为实例特定位姿估计：机器人需在仅限的熟悉场景中高精度地估计位姿。场景中光照条件和背景外观的微小变化是可接受的，但剧烈改变不在预期之内。为此，我们提出一种方法，可快速训练并部署从单张RGB图像估计物体连续6自由度位姿的流程。其核心思想是利用已知的相机位姿与刚体几何，部分自动化地生成大规模标注数据集。该数据集连同充分的域随机化，被用于监督训练预测语义关键点的深度神经网络。实验上，我们证明了所提方法仅需极少量人工标注用于训练，即可准确估计物体位姿的便捷性与有效性。
引用
@article{arxiv.2207.13264,
title = {Instance-specific 6-DoF Object Pose Estimation from Minimal Annotations},
author = {Rohan Pratap Singh and Iori Kumagai and Antonio Gabas and Mehdi Benallegue and Yusuke Yoshiyasu and Fumio Kanehiro},
journal= {arXiv preprint arXiv:2207.13264},
year = {2022}
}
备注
GitHub code: https://github.com/rohanpsingh/ObjectKeypointTrainer