SegICP-DSR：稠密语义场景重建与配准
机器人学
2017-11-08 v1
摘要
为使机器人能在非结构化环境中自主操作，我们提出SegICP-DSR，一种实时、稠密、语义场景重建与位姿估计算法，其达到了毫米级位姿精度与标准差（7.9 mm，σ=7.6 mm 和 1.7 deg，σ=0.7 deg），并在97%的测试案例中成功识别物体位姿。相较于SegICP，在杂乱、非结构化环境中，其精度提升29%，成功率提升14%。SegICP-DSR的性能提升源于（1）对抗训练下改进的深度语义分割，（2）相机内参与外参的精确自动标定，（3）针对视角的模型几何射线投射，以及（4）用于配准的稠密语义ElasticFusion点云。我们在数千帧位姿标注视频帧上基准测试了SegICP-DSR的性能，并在使用KUKA LBR iiwa机械臂的两个紧公差抓取与插入任务中展示了其准确性与有效性。
引用
@article{arxiv.1711.02216,
title = {SegICP-DSR: Dense Semantic Scene Reconstruction and Registration},
author = {Jay M. Wong and Syler Wagner and Connor Lawson and Vincent Kee and Mitchell Hebert and Justin Rooney and Gian-Luca Mariottini and Rebecca Russell and Abraham Schneider and Rahul Chipalkatty and David M. S. Johnson},
journal= {arXiv preprint arXiv:1711.02216},
year = {2017}
}