論文の概要: Object Pose Estimation by Camera Arm Control Based on the Next Viewpoint Estimation

• arxiv url: http://arxiv.org/abs/2504.17424v1
• Date: Thu, 24 Apr 2025 10:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.327671
• Title: Object Pose Estimation by Camera Arm Control Based on the Next Viewpoint Estimation
• Title（参考訳）: 次視点推定に基づくカメラアーム制御による物体位置推定
• Authors: Tomoki Mizuno, Kazuya Yabashi, Tsuyoshi Tasaki,
• Abstract要約: 我々は,小売店舗における商品表示ロボットのシンプルな形状の商品のポーズ推定に有効なNext Viewpoint (NV) を推定する新しい手法を開発した。 我々のNV推定は77.3%のポーズ推定成功率を実現し、これは数学的モデルに基づくNV計算よりも7.4pt高い値であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We have developed a new method to estimate a Next Viewpoint (NV) which is effective for pose estimation of simple-shaped products for product display robots in retail stores. Pose estimation methods using Neural Networks (NN) based on an RGBD camera are highly accurate, but their accuracy significantly decreases when the camera acquires few texture and shape features at a current view point. However, it is difficult for previous mathematical model-based methods to estimate effective NV which is because the simple shaped objects have few shape features. Therefore, we focus on the relationship between the pose estimation and NV estimation. When the pose estimation is more accurate, the NV estimation is more accurate. Therefore, we develop a new pose estimation NN that estimates NV simultaneously. Experimental results showed that our NV estimation realized a pose estimation success rate 77.3\%, which was 7.4pt higher than the mathematical model-based NV calculation did. Moreover, we verified that the robot using our method displayed 84.2\% of products.
• Abstract（参考訳）: 我々は,小売店舗における商品表示ロボットのシンプルな形状の商品のポーズ推定に有効なNext Viewpoint (NV) を推定する新しい手法を開発した。 RGBDカメラをベースとしたニューラルネットワーク(NN)を用いたポーズ推定手法は非常に正確であるが,現在の視点ではほとんどテクスチャや形状が得られない場合,その精度は著しく低下する。 しかし, 従来の数学的モデルに基づく手法では, 単純な形状の物体の形状がほとんどないため, 有効なNVを推定することは困難である。 そこで我々は,ポーズ推定とNV推定の関係に着目した。 ポーズ推定がより正確であれば、NV推定はより正確である。 そこで我々は,NVを同時に推定する新しいポーズ推定NNを開発した。 実験結果からNV推定は, 数学モデルによるNV計算よりも7.4pt高い77.3\%のポーズ推定成功率を実現した。 さらに,本手法を用いたロボットが84.2\%の商品を表示できることを確認した。

関連論文リスト

• Next Best View For Point-Cloud Model Acquisition: Bayesian Approximation and Uncertainty Analysis [2.07180164747172]
  この研究は、Next-Best-View(PC-NBV)にポイントネットベースのニューラルネットワークを適用する。 モデルアーキテクチャにドロップアウト層を組み込むことで、予測に関連する不確実性推定の計算を可能にする。 本研究の目的は,次の視点を正確に予測することで,ネットワークの精度を向上させることである。
  論文  参考訳（メタデータ） (2024-11-04T01:32:09Z)
• TransPose: A Transformer-based 6D Object Pose Estimation Network with Depth Refinement [5.482532589225552]
  深度修正モジュールを用いた改良型トランスフォーマーベースの6次元ポーズ推定法であるTransPoseを提案する。 アーキテクチャはRGB画像のみを入力として取り込むが、深度や熱画像などの追加の補正は行わない。 次に、予測された中心、6Dポーズ、および6Dポーズの精度を向上するために、新しい深度補正モジュールが使用される。
  論文  参考訳（メタデータ） (2023-07-09T17:33:13Z)
• NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D Human Pose and Shape Estimation [53.25973084799954]
  両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。 NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
  論文  参考訳（メタデータ） (2023-05-15T12:13:24Z)
• PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
  本稿では,PoseMatcherを提案する。 3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。 PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
  論文  参考訳（メタデータ） (2023-04-03T21:14:59Z)
• TriHorn-Net: A Model for Accurate Depth-Based 3D Hand Pose Estimation [8.946655323517092]
  TriHorn-Netは、ディープイメージのポーズ推定精度を改善するために、特定のイノベーションを使用する新しいモデルである。 第1の革新は、深度画像空間における2次元関節位置推定への3次元手ポーズ推定の分解である。 第2のイノベーションはPixDropoutで、私たちの知る限り、手深度画像のための最初の外見に基づくデータ拡張手法です。
  論文  参考訳（メタデータ） (2022-06-14T19:08:42Z)
• MDN-VO: Estimating Visual Odometry with Confidence [34.8860186009308]
  視覚オドメトリー(VO)は、ロボット工学や自律システムを含む多くのアプリケーションで使われている。 本研究では、6-DoFのポーズを推定する深層学習に基づくVOモデルと、これらの推定に対する信頼度モデルを提案する。 本実験は,本モデルが故障事例の検出に加えて,最先端の性能を上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-23T19:26:04Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Investigations on Output Parameterizations of Neural Networks for Single Shot 6D Object Pose Estimation [8.464912344558481]
  単発6次元オブジェクトポーズ推定のためのニューラルネットワークの出力に対する新しいパラメータ化を提案する。 我々の学習に基づくアプローチは、2つの公開ベンチマークデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-04-15T15:29:53Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• Self6D: Self-Supervised Monocular 6D Object Pose Estimation [114.18496727590481]
  自己教師付き学習による単眼6次元ポーズ推定のアイデアを提案する。 ニューラルレンダリングの最近の進歩を活用して、注釈のない実RGB-Dデータのモデルをさらに自己監督する。
  論文  参考訳（メタデータ） (2020-04-14T13:16:36Z)

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。