SyMFM6D：面向多视角 6D 物体位姿估计的对称性感知多方向融合
计算机视觉与模式识别
2023-07-04 v1 人工智能
机器学习
摘要
检测物体并估计其 6D 位姿对于自动化系统安全与环境交互至关重要。然而，大多数 6D 位姿估计器依赖单相机帧，并受物体对称性导致的遮挡与歧义影响。我们通过提出一种称为 SyMFM6D 的新型对称性感知多视角 6D 位姿估计器克服了该问题。我们的方法在深度多方向融合网络中高效融合来自多视角的 RGB-D 帧，并同时预测场景中全部物体的预定义关键点。基于关键点与实例语义分割，我们通过最小二乘拟合高效计算 6D 位姿。为解决对称物体的歧义问题，我们提出了一种用于对称性感知关键点检测的新训练流程，包含一个新的目标函数。我们的 SyMFM6D 网络在单视角与多视角 6D 位姿估计中均显著优于当前最优（SOTA）。我们进一步展示了对称性感知训练流程的有效性，并证明我们的方法对不准确的相机标定与动态相机设置具有鲁棒性。
引用
@article{arxiv.2307.00306,
title = {SyMFM6D: Symmetry-aware Multi-directional Fusion for Multi-View 6D Object Pose Estimation},
author = {Fabian Duffhauss and Sebastian Koch and Hanna Ziesche and Ngo Anh Vien and Gerhard Neumann},
journal= {arXiv preprint arXiv:2307.00306},
year = {2023}
}
备注
Accepted at the IEEE Robotics and Automation Letters (RA-L) 2023