Fugu-MT 論文翻訳(概要): Object detection and Autoencoder-based 6D pose estimation for highly cluttered Bin Picking

論文の概要: Object detection and Autoencoder-based 6D pose estimation for highly cluttered Bin Picking

arxiv url: http://arxiv.org/abs/2106.08045v1
Date: Tue, 15 Jun 2021 11:01:07 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 15:11:33.405289
Title: Object detection and Autoencoder-based 6D pose estimation for highly cluttered Bin Picking
Title（参考訳）: 物体検出とオートエンコーダを用いた高精度ビンピッキングのための6次元ポーズ推定
Authors: Timon H\"ofer, Faranak Shamsafar, Nuri Benbarka and Andreas Zell
Abstract要約: そこで本研究では,小物体の散らばったシーンにおけるポーズ推定のためのフレームワークを提案する。本研究では,オブジェクト検出とポーズ推定のための合成データ生成手法の比較を行う。本稿では,最も正確な推定ポーズを決定するポーズフィルタリングアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 14.076644545879939
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bin picking is a core problem in industrial environments and robotics, with its main module as 6D pose estimation. However, industrial depth sensors have a lack of accuracy when it comes to small objects. Therefore, we propose a framework for pose estimation in highly cluttered scenes with small objects, which mainly relies on RGB data and makes use of depth information only for pose refinement. In this work, we compare synthetic data generation approaches for object detection and pose estimation and introduce a pose filtering algorithm that determines the most accurate estimated poses. We will make our
Abstract（参考訳）: Bin Pickは産業環境とロボティクスの中核的な問題であり、メインモジュールは6Dポーズ推定である。しかし、工業用深度センサーは小さな物体に関しては精度が不足している。そこで本研究では,RGBデータに大きく依存し,ポーズ修正にのみ深度情報を利用する,狭い物体を散らかしたシーンにおけるポーズ推定フレームワークを提案する。本研究では,物体検出とポーズ推定のための合成データ生成手法を比較し,最も正確な推定ポーズを決定するポーズフィルタリングアルゴリズムを提案する。私たちは

関連論文リスト

LocaliseBot: Multi-view 3D object localisation with differentiable rendering for robot grasping [9.690844449175948]
オブジェクトのポーズ推定に重点を置いています。このアプローチは,オブジェクトの複数ビュー,それらの視点におけるカメラのパラメータ,オブジェクトの3次元CADモデルという3つの情報に依存している。推定対象のポーズが99.65%の精度で真理把握候補を把握できることが示される。
論文参考訳（メタデータ） (2023-11-14T14:27:53Z)
Learning to Estimate 6DoF Pose from Limited Data: A Few-Shot, Generalizable Approach using RGB Images [60.0898989456276]
本稿では,数ショットの6DoFポーズ推定のためのCas6Dという新しいフレームワークを提案する。極めて少数の設定で対象物検出の偽陽性に対処するために,本フレームワークでは,自己教師付き事前学習型ViTを用いて,ロバストな特徴表現を学習する。 LINEMODとGenMOPデータセットの実験結果は、Cas6Dが32ショット設定で最先端の手法を9.2%、精度3.8%(Proj-5)で上回ることを示した。
論文参考訳（メタデータ） (2023-06-13T07:45:42Z)
Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
論文参考訳（メタデータ） (2023-03-22T09:02:54Z)
Model-Based Underwater 6D Pose Estimation from RGB [1.9160624126555885]
本研究では,2次元物体検出を応用して,異なる水中シナリオにおける6次元ポーズ推定を確実に計算する手法を提案する。すべてのオブジェクトとシーンは、オブジェクト検出とポーズ推定のためのアノテーションを含むオープンソースのデータセットで利用可能である。
論文参考訳（メタデータ） (2023-02-14T04:27:03Z)
Unseen Object 6D Pose Estimation: A Benchmark and Baselines [62.8809734237213]
本稿では,新しい物体の6次元ポーズ推定をアルゴリズムで行えるようにするための新しいタスクを提案する。実画像と合成画像の両方でデータセットを収集し、テストセットで最大48個の未確認オブジェクトを収集する。エンド・ツー・エンドの3D対応ネットワークをトレーニングすることにより、未確認物体と部分ビューRGBD画像との対応点を高精度かつ効率的に見つけることができる。
論文参考訳（メタデータ） (2022-06-23T16:29:53Z)
Coupled Iterative Refinement for 6D Multi-Object Pose Estimation [64.7198752089041]
既知の3DオブジェクトのセットとRGBまたはRGB-Dの入力画像から、各オブジェクトの6Dポーズを検出して推定する。我々のアプローチは、ポーズと対応を緊密に結合した方法で反復的に洗練し、アウトレーヤを動的に除去して精度を向上させる。
論文参考訳（メタデータ） (2022-04-26T18:00:08Z)
FS6D: Few-Shot 6D Pose Estimation of Novel Objects [116.34922994123973]
6Dオブジェクトポーズ推定ネットワークは、多数のオブジェクトインスタンスにスケールする能力に制限がある。本研究では,未知の物体の6次元ポーズを,余分な訓練を伴わずにいくつかの支援ビューで推定する。
論文参考訳（メタデータ） (2022-03-28T10:31:29Z)
DSC-PoseNet: Learning 6DoF Object Pose Estimation via Dual-scale Consistency [43.09728251735362]
2Dオブジェクト境界ボックスから6DoFオブジェクトポーズを得るための2ステップポーズ推定フレームワークを提案する。最初のステップでは、フレームワークはオブジェクトを実際のデータと合成データからセグメンテーションすることを学ぶ。第2のステップでは,dsc-posenetという,デュアルスケールなポーズ推定ネットワークを設計する。提案手法は,合成データに基づいて訓練した最先端のモデルよりも大きなマージンで優れる。
論文参考訳（メタデータ） (2021-04-08T10:19:35Z)
Spatial Attention Improves Iterative 6D Object Pose Estimation [52.365075652976735]
本稿では,RGB画像を用いた6次元ポーズ推定の改良手法を提案する。私たちの主な洞察力は、最初のポーズ推定の後、オブジェクトの異なる空間的特徴に注意を払うことが重要です。実験により,このアプローチが空間的特徴に順応することを学び,被写体の一部を無視することを学び,データセット間でのポーズ推定を改善することを実証した。
論文参考訳（メタデータ） (2021-01-05T17:18:52Z)
Pose Estimation of Specular and Symmetrical Objects [0.719973338079758]
ロボット産業では、眼鏡とテクスチャレスの金属部品がユビキタスである。リッチテクスチャが欠如しているため, 単眼RGBカメラのみを用いた6次元ポーズ推定は困難である。そこで本研究では,データ駆動型手法を用いて,対象物の6次元ポーズを推定する手法を提案する。
論文参考訳（メタデータ） (2020-10-31T22:08:46Z)

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。