推理与学习低成本相机下反射物体自训练的感知度量
计算机视觉与模式识别
2025-08-19 v2 机器人学
摘要
使用低成本 RGB-D 相机进行金属物体的 bin-picking 常常因深度信息稀疏和反射表面纹理而导致错误，需人工标注。为减少人工介入，我们提出了一个由度量学习阶段和自训练阶段组成的两个阶段框架。具体而言，为了自动处理由低成本相机（LC）捕获的数据，我们引入了多物体姿态推理（MoPR）算法，该算法在深度、碰撞和边界约束下优化姿态假设。在进一步细化姿态候选解方面，我们采用基于对称性的李群基于贝叶斯高斯混合模型（SaL-BGMM），该模型集成了期望最大化（EM）算法，用于对称性感知过滤。此外，我们提出了加权排序信息噪声对比估计（WR-InfoNCE）损失，使 LC 能够从重建数据中学习感知度量，支持对未训练或甚至未见的物体进行自训练。实验结果表明，我们的方法在 ROBI 数据集和我们新引入的 Self-ROBI 数据集上均优于several state-of-the-art 方法。
引用
@article{arxiv.2503.20207,
title = {Reasoning and Learning a Perceptual Metric for Self-Training of Reflective Objects in Bin-Picking with a Low-cost Camera},
author = {Peiyuan Ni and Chee Meng Chew and Marcelo H. Ang and Gregory S. Chirikjian},
journal= {arXiv preprint arXiv:2503.20207},
year = {2025}
}
备注
8 pages, 10 figures; Accepted by IEEE RAL, presentation at ICRA 2026