PERCH 2.0:基于 GPU 的快速精确感知搜索用于物体位姿估计
计算机视觉与模式识别
2020-08-04 v1 机器人学
摘要
已知物体的位姿估计是机器人抓取与操控等任务的基础。对可靠抓取的需求对动态环境中杂乱、遮挡场景下的位姿估计施加了严格的精度要求。现代方法利用大量训练数据学习特征,以寻找 3D 模型与观测数据间的对应。然而这些方法需要对真实位姿进行大量标注。一种替代方案是使用在可能渲染场景空间中搜索对观测场景最佳解释的算法。近期开发的算法 PERCH(PErception Via SeaRCH)通过使用深度数据在专门构造的树上搜索而收敛到全局最优解。虽然 PERCH 对精度提供强保证,其当前形式因高运行时间而可扩展性差。此外,仅依赖深度数据进行位姿估计将该算法限制于无两物体同形的场景。本工作中,我们提出 PERCH 2.0,一种利用 GPU 加速与 RGB 数据的通过搜索进行感知的新策略。我们表明该方法可实现相比 PERCH 100 倍的加速,且在 6 自由度位姿估计上比最先进的数据驱动方法精度更高,且无需在训练数据中标注真实位姿。我们的代码与视频见 https://sbpl-cruz.github.io/perception/。
引用
@article{arxiv.2008.00326,
title = {PERCH 2.0 : Fast and Accurate GPU-based Perception via Search for Object Pose Estimation},
author = {Aditya Agarwal and Yupeng Han and Maxim Likhachev},
journal= {arXiv preprint arXiv:2008.00326},
year = {2020}
}