論文の概要: Amodal 3D Reconstruction for Robotic Manipulation via Stability and
Connectivity
- arxiv url: http://arxiv.org/abs/2009.13146v1
- Date: Mon, 28 Sep 2020 08:52:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 21:40:55.971927
- Title: Amodal 3D Reconstruction for Robotic Manipulation via Stability and
Connectivity
- Title(参考訳): amodal 3d reconstruction for robot manipulation via stability and connectivity (特集 ロボットマニピュレーション)
- Authors: William Agnew, Christopher Xie, Aaron Walsman, Octavian Murad, Caelen
Wang, Pedro Domingos, Siddhartha Srinivasa
- Abstract要約: 学習に基づく3Dオブジェクト再構成により、3Dオブジェクトモデルの単一または少数ショット推定が可能となる。
既存の3D再構成技術は、通常、シャムファー距離またはボクセルIOUによって測定される視覚的再構成忠実度を最適化する。
本稿では,オブジェクト形状よりも先に安定性を導入するアモーダル3D再構成システムARMと,接続前の接続,マルチチャネル入力表現を提案する。
- 参考スコア(独自算出の注目度): 3.359622001455893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based 3D object reconstruction enables single- or few-shot
estimation of 3D object models. For robotics, this holds the potential to allow
model-based methods to rapidly adapt to novel objects and scenes. Existing 3D
reconstruction techniques optimize for visual reconstruction fidelity,
typically measured by chamfer distance or voxel IOU. We find that when applied
to realistic, cluttered robotics environments, these systems produce
reconstructions with low physical realism, resulting in poor task performance
when used for model-based control. We propose ARM, an amodal 3D reconstruction
system that introduces (1) a stability prior over object shapes, (2) a
connectivity prior, and (3) a multi-channel input representation that allows
for reasoning over relationships between groups of objects. By using these
priors over the physical properties of objects, our system improves
reconstruction quality not just by standard visual metrics, but also
performance of model-based control on a variety of robotics manipulation tasks
in challenging, cluttered environments. Code is available at
github.com/wagnew3/ARM.
- Abstract(参考訳): 学習に基づく3Dオブジェクト再構成により、3Dオブジェクトモデルの単一または少数ショット推定が可能となる。
ロボット工学にとってこれは、モデルに基づく手法が新しい物体やシーンに迅速に適応できる可能性を秘めている。
既存の3D再構成技術は、通常、シャムファー距離またはボクセルIOUによって測定される視覚的再構成忠実度を最適化する。
リアルで散らばったロボット環境に適用すると、これらのシステムは物理的リアリズムの低い再構成を発生し、モデルベース制御におけるタスク性能が低下することがわかった。
本研究では,(1)オブジェクト形状に先行する安定性,(2)接続先,(3)オブジェクト群間の関係を推論するマルチチャネル入力表現を導入するアモーダル3D再構成システムARMを提案する。
オブジェクトの物理的特性に対するこれらの先行性を利用することで、標準的な視覚メトリクスだけでなく、様々なロボット操作タスクにおけるモデルベース制御の性能も向上する。
コードはgithub.com/wagnew3/ARMで入手できる。
関連論文リスト
- Uncertainty-aware 3D Object-Level Mapping with Deep Shape Priors [15.34487368683311]
未知のオブジェクトに対して高品質なオブジェクトレベルマップを再構築するフレームワークを提案する。
提案手法では,複数のRGB-D画像を入力として,高密度な3次元形状と検出対象に対する9-DoFポーズを出力する。
2つの新たな損失関数を通して形状を伝播し不確実性を生じさせる確率的定式化を導出する。
論文 参考訳(メタデータ) (2023-09-17T00:48:19Z) - Shape, Pose, and Appearance from a Single Image via Bootstrapped
Radiance Field Inversion [54.151979979158085]
提案手法では,自然画像に対する基本的エンドツーエンド再構築フレームワークを導入し,正確な地平のポーズが得られない。
そこで,モデルが解の第一の推算を生成するハイブリッド・インバージョン・スキームを適用する。
当社のフレームワークでは,イメージを10ステップでデレンダリングすることが可能で,現実的なシナリオで使用することが可能です。
論文 参考訳(メタデータ) (2022-11-21T17:42:42Z) - Fast-Image2Point: Towards Real-Time Point Cloud Reconstruction of a
Single Image using 3D Supervision [0.0]
3D再構成の問題は、3Dオブジェクトをモデル化するための機械やロボットの訓練方法である。
本研究では、より高速(リアルタイム)な単一視点画像で表示されたオブジェクトを再構築する際の現在の問題に対処する。
論文 参考訳(メタデータ) (2022-09-20T22:39:14Z) - Uncertainty Guided Policy for Active Robotic 3D Reconstruction using
Neural Radiance Fields [82.21033337949757]
本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。
提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。
ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
論文 参考訳(メタデータ) (2022-09-17T21:28:57Z) - RandomRooms: Unsupervised Pre-training from Synthetic Shapes and
Randomized Layouts for 3D Object Detection [138.2892824662943]
有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。
最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。
本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
論文 参考訳(メタデータ) (2021-08-17T17:56:12Z) - Pose Estimation and 3D Reconstruction of Vehicles from Stereo-Images
Using a Subcategory-Aware Shape Prior [0.0]
物体やコンピュータビジョンの3D再構成は、移動ロボット自動運転など、多くのアプリケーションにとって必須条件である。
本研究の目的は,従来の形状観察から3次元物体の復元がいかに利益を得るかを示すことである。
論文 参考訳(メタデータ) (2021-07-22T19:47:49Z) - Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。
最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。
しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。
本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文 参考訳(メタデータ) (2021-01-18T03:24:48Z) - Nothing But Geometric Constraints: A Model-Free Method for Articulated
Object Pose Estimation [89.82169646672872]
本稿では,ロボットアームの関節構成を,モデルに先入観を持たずにRGBまたはRGB-D画像のシーケンスから推定する,教師なし視覚ベースシステムを提案する。
我々は,古典幾何学的定式化と深層学習を組み合わせることで,この課題を解決するために,極性多剛体制約を拡張した。
論文 参考訳(メタデータ) (2020-11-30T20:46:48Z) - PaMIR: Parametric Model-Conditioned Implicit Representation for
Image-based Human Reconstruction [67.08350202974434]
本研究では,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたパラメトリックモデル記述型暗黙表現(PaMIR)を提案する。
本手法は, 挑戦的なポーズや衣料品のタイプにおいて, 画像に基づく3次元再構築のための最先端性能を実現する。
論文 参考訳(メタデータ) (2020-07-08T02:26:19Z) - PolyGen: An Autoregressive Generative Model of 3D Meshes [22.860421649320287]
本稿では,Transformerベースのアーキテクチャを用いてメッシュを直接モデル化するアプローチを提案する。
我々のモデルは、オブジェクトクラス、ボクセル、イメージなど、様々な入力を条件にすることができる。
このモデルでは、高品質で使い勝手の良いメッシュを生成でき、メッシュモデリングタスクのためのログライクなベンチマークを確立することができる。
論文 参考訳(メタデータ) (2020-02-23T17:16:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。