PCKRF：基于融合数据的点云补全与关键点细化用于 6D 位姿估计
计算机视觉与模式识别
2024-09-17 v3 机器人学
摘要
一些具有可控位姿细化幅度的鲁棒点云配准方法，如 ICP 及其变体，常用于提升 6D 位姿估计精度。然而，随着深度学习技术的进步与初始位姿精度的提高，这些方法的有效性逐渐减弱，主要因其缺乏针对位姿细化的特定设计。本文提出基于融合数据的点云补全与关键点细化（PCKRF），一种用于 6D 位姿估计的新位姿细化流程。该流程包含两步。首先，通过一种新颖的位姿敏感点补全网络对输入点云进行补全。该网络在点云补全过程中同时使用带有位姿信息的局部与全局特征。然后，通过我们提出的颜色支持迭代关键点（CIKP）方法将补全的物体点云与对应目标点云配准。CIKP 方法将颜色信息引入配准，并在每个关键点周围对点云进行配准以提升稳定性。PCKRF 流程可集成于现有流行 6D 位姿估计方法（如全流双向融合网络）以进一步提升其位姿估计精度。实验表明，在优化相对高精度的初始位姿时，我们的方法相较现有方法表现出更优的稳定性。值得注意的是，结果表明我们的方法有效补充了大多数现有位姿估计技术，在多数情况下带来性能提升。此外，即便在涉及无纹理与对称物体的挑战性场景中，我们的方法也取得了有前景的结果。我们的源代码发布于 https://github.com/zhanhz/KRF。
引用
@article{arxiv.2210.03437,
title = {PCKRF: Point Cloud Completion and Keypoint Refinement With Fusion Data for 6D Pose Estimation},
author = {Yiheng Han and Irvin Haozhe Zhan and Long Zeng and Yu-Ping Wang and Ran Yi and Minjing Yu and Matthieu Gaetan Lin and Jenny Sheng and Yong-Jin Liu},
journal= {arXiv preprint arXiv:2210.03437},
year = {2024}
}