SLAM支持的自训练用于6D物体位姿估计
机器人学
2022-08-17 v3
摘要
物体位姿预测的近期进展为机器人在导航过程中构建物体级场景表示提供了可行路径。然而，当我们在新环境中部署机器人时，分布外数据会退化预测性能。为缓解域差距，我们可在目标域中执行自训练，利用机器人捕获图像上的预测作为伪标签来微调物体位姿估计器。不幸的是，位姿预测通常受离群值污染，且难以量化其不确定性，这会导致低质量伪标签数据。为解决该问题，我们提出一种SLAM支持的自训练方法，利用机器人对3D场景几何的理解来增强物体位姿推断性能。我们将位姿预测与机器人里程计结合，构建并求解位姿图优化，以优化物体位姿估计并使伪标签跨帧更一致。我们将位姿预测协方差作为变量纳入优化，以自动建模其不确定性。该自动协方差调优(ACT)过程可在分量级别拟合6D位姿预测噪声，从而产生更高质量的伪训练数据。我们在YCB视频数据集和真实机器人实验中使用深度物体位姿估计器(DOPE)测试了我们的方法，分别在两项测试中实现了34.3%和17.8%的位姿预测精度提升。我们的代码见https://github.com/520xyxyzq/slam-super-6d。
引用
@article{arxiv.2203.04424,
title = {SLAM-Supported Self-Training for 6D Object Pose Estimation},
author = {Ziqi Lu and Yihao Zhang and Kevin Doherty and Odin Severinsen and Ethan Yang and John Leonard},
journal= {arXiv preprint arXiv:2203.04424},
year = {2022}
}