从无位姿标签的RGB图像中学习隐式概率分布函数以估计对称朝向
计算机视觉与模式识别
2022-11-22 v1 机器人学
摘要
物体位姿估计是自主机器人操作的必要前提，但对称性的存在增加了位姿估计任务的复杂度。现有的物体位姿估计方法输出单一 6D 位姿，因而缺乏推理对称性的能力。近来，通过神经网络在 SO(3) 流形上建模物体朝向为非参数概率分布已展现出令人印象深刻的成果。然而，获取大规模数据集以训练位姿估计模型仍是一个瓶颈。为应对此限制，我们引入了一种自动位姿标注方案。给定无物体位姿标注的 RGB-D 图像与 3D 物体模型，我们设计了一个由点云配准与渲染比对验证组成的两阶段流水线，为每幅图像生成多个对称伪真值位姿标签。利用生成的位姿标签，我们训练了一个 ImplicitPDF 模型，以估计给定 RGB 图像时某一朝向假设的可能性。对 SO(3) 流形的高效分层采样可在多分辨率下切实生成完整的对称性集合。推理期间，使用梯度上升估计目标物体最可能的朝向。我们在照片级真实数据集与 T-Less 数据集上评估了所提自动位姿标注方案及 ImplicitPDF 模型，展示了该方法的优势。
引用
@article{arxiv.2211.11394,
title = {Learning Implicit Probability Distribution Functions for Symmetric Orientation Estimation from RGB Images Without Pose Labels},
author = {Arul Selvam Periyasamy and Luis Denninger and Sven Behnke},
journal= {arXiv preprint arXiv:2211.11394},
year = {2022}
}