論文の概要: Active Visuo-Haptic Object Shape Completion
- arxiv url: http://arxiv.org/abs/2203.09149v1
- Date: Thu, 17 Mar 2022 08:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 16:01:56.748306
- Title: Active Visuo-Haptic Object Shape Completion
- Title(参考訳): アクティブビジュオ・ハプティック物体形状完了
- Authors: Lukas Rustler, Jens Lundell, Jan Kristof Behrens, Ville Kyrki, Matej
Hoffmann
- Abstract要約: 本稿では,アクトVHと呼ばれる能動的ビジュオ触覚形状完成法を提案する。
Act-VHは、復元の不確実性に基づいて、オブジェクトに触れる場所を積極的に計算する。
シミュレーションおよび実世界における5つの基準線に対するAct-VHの再構成精度を実験的に評価した。
- 参考スコア(独自算出の注目度): 18.164327341970562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in object shape completion have enabled impressive object
reconstructions using only visual input. However, due to self-occlusion, the
reconstructions have high uncertainty in the occluded object parts, which
negatively impacts the performance of downstream robotic tasks such as
grasping. In this work, we propose an active visuo-haptic shape completion
method called Act-VH that actively computes where to touch the objects based on
the reconstruction uncertainty. Act-VH reconstructs objects from point clouds
and calculates the reconstruction uncertainty using IGR, a recent
state-of-the-art implicit surface deep neural network. We experimentally
evaluate the reconstruction accuracy of Act-VH against five baselines in
simulation and in the real world. We also propose a new simulation environment
for this purpose. The results show that Act-VH outperforms all baselines and
that an uncertainty-driven haptic exploration policy leads to higher
reconstruction accuracy than a random policy and a policy driven by Gaussian
Process Implicit Surfaces. As a final experiment, we evaluate Act-VH and the
best reconstruction baseline on grasping 10 novel objects. The results show
that Act-VH reaches a significantly higher grasp success rate than the baseline
on all objects. Together, this work opens up the door for using active
visuo-haptic shape completion in more complex cluttered scenes.
- Abstract(参考訳): 近年のオブジェクト形状補完の進歩により、視覚入力のみを用いた印象的なオブジェクト再構成が可能となった。
しかし, 自己完結性のため, 咬合対象部において高い不確実性を有しており, 把持などの下流ロボット作業の性能に悪影響を及ぼす。
本研究では,復元の不確かさに基づいて物体に接する場所を積極的に計算するact-vhと呼ばれるアクティブな振動触覚形状完了法を提案する。
act-vhは点雲から物体を再構成し、最新の暗黙的表面深層ニューラルネットワークであるigrを用いて再構成の不確かさを計算する。
シミュレーションおよび実世界における5つの基準線に対するAct-VHの再構成精度を実験的に評価した。
この目的のために,新しいシミュレーション環境を提案する。
その結果,Act-VHはすべてのベースラインを上回り,不確実性駆動型ハプティックサーベイポリシはランダムなポリシーやガウス的プロセスインプリシットサーフェスによって駆動されるポリシーよりも高い再構築精度をもたらすことがわかった。
最終実験として,Act-VHとベストリコンストラクションベースラインを10個の新しいオブジェクトを把握した上で評価した。
その結果,Act-VHは全物体のベースラインよりも把握成功率が高いことがわかった。
この作品によって、より複雑な乱雑な場面で活発なビジュオハプティックな形状が完成する扉が開けられる。
関連論文リスト
- NARUTO: Neural Active Reconstruction from Uncertain Target Observations [31.222257479092185]
本稿では,ハイブリッド型ニューラル表現と不確実性学習を組み合わせたニューラルアクティブリコンストラクションシステムであるナルートについて述べる。
我々のシステムは、不確実な観測をターゲットとして自律的に探索し、顕著な完全性と忠実さで環境を再構築する。
論文 参考訳(メタデータ) (2024-02-29T00:25:26Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳(メタデータ) (2023-10-11T05:34:36Z) - Looking Through the Glass: Neural Surface Reconstruction Against High
Specular Reflections [72.45512144682554]
暗黙的ニューラルレンダリングに基づく新しい表面再構成フレームワークNeuS-HSRを提案する。
NeuS-HSRでは、物体表面は暗黙の符号付き距離関数としてパラメータ化される。
我々は、NeuS-HSRが、HSRに対する高精度で堅牢なターゲット表面再構成において、最先端のアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-04-18T02:34:58Z) - Active Implicit Object Reconstruction using Uncertainty-guided
Next-Best-View Optimization [1.0079626733116611]
オブジェクト再構築時のセンサビューのアクティブな計画は、自律移動ロボットにとって不可欠である。
本稿では,暗黙の表現を能動的再構築タスクとシームレスに統合することを提案する。
本手法は,アクティブ・リコンストラクション作業におけるビュープランニングの精度と効率を効果的に向上する。
論文 参考訳(メタデータ) (2023-03-29T14:42:30Z) - Point Scene Understanding via Disentangled Instance Mesh Reconstruction [21.92736190195887]
本稿では,効率的なポイントシーン理解のために,aDisentangled Instance Mesh Reconstruction (DIMR) フレームワークを提案する。
セグメント化ベースのバックボーンは、偽陽性オブジェクトの提案を減らすために適用される。
メッシュを意識した潜在コード空間を活用して、シェイプコンプリートとメッシュ生成のプロセスを切り離します。
論文 参考訳(メタデータ) (2022-03-31T06:36:07Z) - Next-Best-View Prediction for Active Stereo Cameras and Highly
Reflective Objects [12.21992378133376]
反射物体の深度データを完成させるためのカメラ視点を戦略的に選択する次世代ビューフレームワークを提案する。
我々は既存のデータから現在のポーズ予測を得るためにRGBベースのポーズ推定器を用いる。
我々の能動深度取得法は,2つの強いベースラインを上回り,深度完成度とオブジェクトポーズ推定性能を両立させる。
論文 参考訳(メタデータ) (2022-02-27T01:48:02Z) - Object-aware Monocular Depth Prediction with Instance Convolutions [72.98771405534937]
本稿では,特徴集合を避けるために明示的に調整された新しい畳み込み演算子を提案する。
提案手法は,部分ごとの深度をスーパーピクセルで推定する。
NYUv2とiBimsデータセットに対する我々の評価は、インスタンスの畳み込みの優位性を明確に示している。
論文 参考訳(メタデータ) (2021-12-02T18:59:48Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳(メタデータ) (2021-06-20T12:59:42Z) - Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。
再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。
本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
論文 参考訳(メタデータ) (2021-03-30T17:57:01Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳(メタデータ) (2021-01-07T07:33:38Z)
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。