論文の概要: Category-Level and Open-Set Object Pose Estimation for Robotics

• arxiv url: http://arxiv.org/abs/2504.19572v1
• Date: Mon, 28 Apr 2025 08:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.36054
• Title: Category-Level and Open-Set Object Pose Estimation for Robotics
• Title（参考訳）: ロボットのためのカテゴリーレベル・オープンセットオブジェクトポス推定
• Authors: Peter Hönig, Matthias Hirschmanner, Markus Vincze,
• Abstract要約: 本稿では,カテゴリレベルでの6次元ポーズ推定におけるデータセット,精度指標,アルゴリズムを比較した。 カテゴリレベルのオブジェクトとオープンセットオブジェクトのポーズ推定をブリッジして一般化に到達し、実行可能なレコメンデーションを提供する方法について分析する。
• 参考スコア（独自算出の注目度）: 7.9471205712560264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object pose estimation enables a variety of tasks in computer vision and robotics, including scene understanding and robotic grasping. The complexity of a pose estimation task depends on the unknown variables related to the target object. While instance-level methods already excel for opaque and Lambertian objects, category-level and open-set methods, where texture, shape, and size are partially or entirely unknown, still struggle with these basic material properties. Since texture is unknown in these scenarios, it cannot be used for disambiguating object symmetries, another core challenge of 6D object pose estimation. The complexity of estimating 6D poses with such a manifold of unknowns led to various datasets, accuracy metrics, and algorithmic solutions. This paper compares datasets, accuracy metrics, and algorithms for solving 6D pose estimation on the category-level. Based on this comparison, we analyze how to bridge category-level and open-set object pose estimation to reach generalization and provide actionable recommendations.
• Abstract（参考訳）: オブジェクトポーズ推定は、シーン理解やロボットの把握など、コンピュータビジョンやロボット工学における様々なタスクを可能にする。 ポーズ推定タスクの複雑さは、対象オブジェクトに関連する未知の変数に依存する。 インスタンスレベルのメソッドはすでに不透明なオブジェクトやランバート的なオブジェクトに対して優れているが、テクスチャ、形状、サイズが部分的に、あるいは完全に不明なカテゴリレベルのメソッドは、これらの基本的な材料特性といまだに苦労している。 これらのシナリオではテクスチャが不明であるため、オブジェクト対称性の曖昧化には使用できない。 このような未知の多様体で6Dポーズを推定する複雑さは、様々なデータセット、精度メトリクス、アルゴリズム的な解を生み出した。 本稿では,カテゴリレベルでの6次元ポーズ推定におけるデータセット,精度指標,アルゴリズムを比較した。 この比較に基づいて,カテゴリレベルのオブジェクトとオープンセットオブジェクトのポーズ推定をブリッジして一般化に到達し,実行可能なレコメンデーションを提供する方法について分析する。

関連論文リスト

• FreeZe: Training-free zero-shot 6D pose estimation with geometric and vision foundation models [5.754251195342313]
  私たちは、特定のデータでトレーニングすることなく、同じタスクに取り組む方法を示します。 我々は、事前学習された幾何学的および視覚的基礎モデルの能力を利用する新しいソリューションFreeZeを提案する。 FreeZeは、合成6Dポーズ推定データで広く訓練されたライバルを含む、最先端のアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-12-01T22:00:14Z)
• ZS6D: Zero-shot 6D Object Pose Estimation using Vision Transformers [9.899633398596672]
  ゼロショット新規オブジェクト6Dのポーズ推定にZS6Dを導入する。 事前訓練された視覚変換器(ViT)を用いて抽出された視覚ディスクリプタは、レンダリングテンプレートのマッチングに使用される。 LMO、YCBV、TLESSデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2023-09-21T11:53:01Z)
• You Only Look at One: Category-Level Object Representations for Pose Estimation From a Single Example [26.866356430469757]
  所望のカテゴリから1つのオブジェクトだけを検査してカテゴリレベルのポーズ推定を行う手法を提案する。 本稿では,RGBDセンサを搭載したロボットマニピュレータを用いて,新しい物体のオンライン6次元ポーズ推定を行う。
  論文  参考訳（メタデータ） (2023-05-22T01:32:24Z)
• ShapeShift: Superquadric-based Object Pose Estimation for Robotic Grasping [85.38689479346276]
  現在の技術は参照3Dオブジェクトに大きく依存しており、その一般化性を制限し、新しいオブジェクトカテゴリに拡張するのにコストがかかる。 本稿では,オブジェクトに適合するプリミティブな形状に対してオブジェクトのポーズを予測する,オブジェクトのポーズ推定のためのスーパークワッドリックベースのフレームワークであるShapeShiftを提案する。
  論文  参考訳（メタデータ） (2023-04-10T20:55:41Z)
• MegaPose: 6D Pose Estimation of Novel Objects via Render & Compare [84.80956484848505]
  MegaPoseは、トレーニング中に見えない新しいオブジェクトの6Dポーズを推定する方法である。 本稿では,新しいオブジェクトに適用可能なR&Compare戦略に基づく6次元ポーズリファインダを提案する。 第2に,合成レンダリングと同一物体の観察画像間のポーズ誤差をリファインダで補正できるか否かを分類するために訓練されたネットワークを利用する,粗いポーズ推定のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-13T19:30:03Z)
• Context-aware 6D Pose Estimation of Known Objects using RGB-D data [3.48122098223937]
  6Dオブジェクトのポーズ推定は、コンピュータビジョンとロボット工学の分野で研究トピックとなっている。 私たちは、以前の作業とは異なり、コンテキストアウェアなアーキテクチャを提示します。 実験の結果,LineMODデータセットの精度は約3.2%向上した。
  論文  参考訳（メタデータ） (2022-12-11T18:01:01Z)
• LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
  LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。 提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:21:34Z)
• 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)
• Category-Agnostic 6D Pose Estimation with Conditional Neural Processes [19.387280883044482]
  未知物体の6次元ポーズ推定のためのメタラーニング手法を提案する。 本アルゴリズムは,オブジェクトの表現をカテゴリに依存しない方法で学習し,オブジェクトカテゴリをまたいだ強力な一般化機能を実現する。
  論文  参考訳（メタデータ） (2022-06-14T20:46:09Z)
• 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)
• CPS++: Improving Class-level 6D Pose and Shape Estimation From Monocular Images With Self-Supervised Learning [74.53664270194643]
  現代のモノクロ6Dポーズ推定手法は、少数のオブジェクトインスタンスにしか対応できない。 そこで本研究では,計量形状検索と組み合わせて,クラスレベルのモノクル6次元ポーズ推定手法を提案する。 1枚のRGB画像から正確な6Dポーズとメートル法形状を抽出できることを実験的に実証した。
  論文  参考訳（メタデータ） (2020-03-12T15:28:13Z)

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。