面向 3D 扫描中基于深度学习的料箱 6D 位姿估计
计算机视觉与模式识别
2023-10-04 v1
摘要
自动化机器人系统需尽可能鲁棒且总体防故障，同时具备较高精度与可重复性。尽管基于深度学习的方法正成为处理 3D 扫描与图像任务的研究标准，工业界处理此类数据的标准仍基于解析方法。本文主张解析方法鲁棒性较差且更难测试、更新与维护。本文聚焦于 3D 扫描中料箱 6D 位姿估计这一特定任务。为此，我们提出一个由合成数据与结构光扫描仪捕获的精确标注真实扫描组成的高质量数据集。此外，我们提出两种料箱 6D 位姿估计方法：作为工业标准的解析方法与基线数据驱动方法。两种方法交叉评估，实验表明在真实扫描训练上增补合成数据可改进我们所提出的数据驱动神经模型。本立场论文为初步工作，因所提方法在相对较小的初始数据集上训练与评估，我们计划未来扩展该数据集。
引用
@article{arxiv.2112.09598,
title = {Towards Deep Learning-based 6D Bin Pose Estimation in 3D Scans},
author = {Lukáš Gajdošech and Viktor Kocur and Martin Stuchlík and Lukáš Hudec and Martin Madaras},
journal= {arXiv preprint arXiv:2112.09598},
year = {2023}
}
备注
Accepted VISAPP 2022