基于深度图的3D机器人姿态估计的半透视解耦热图
计算机视觉与模式识别
2022-07-07 v1 机器人学
摘要
在协作环境中获知工人与机器人的精确3D位置可支持多种实际应用，例如不安全状况的检测，或出于统计与社会目的对交互行为进行的研究。本文提出一种基于深度设备与深度神经网络的非侵入式、光照不变框架，用于从外部相机估计机器人的3D姿态。该方法可应用于任意机器人，无需获取内部状态的硬件权限。我们引入一种新颖的预测姿态表示，即半透视解耦热图（SPDH），以准确计算世界坐标下的3D关节位置，并适配为2D人体姿态估计设计的高效深度网络。所提方法以基于XYZ坐标的深度表示为输入，可在合成深度数据上训练并应用于真实场景，无需域适应技术。为此，我们提出SimBa数据集，基于合成与真实深度图像，并用于实验评估。结果表明，由特定深度图表示与SPDH构成的所提方法超越了当前SOTA。
引用
@article{arxiv.2207.02519,
title = {Semi-Perspective Decoupled Heatmaps for 3D Robot Pose Estimation from Depth Maps},
author = {Alessandro Simoni and Stefano Pini and Guido Borghi and Roberto Vezzani},
journal= {arXiv preprint arXiv:2207.02519},
year = {2022}
}
备注
IROS2022 and IEEE Robotics and Automation Letters (RA-L). Accepted June, 2022