論文の概要: Aleatoric Uncertainty from AI-based 6D Object Pose Predictors for Object-relative State Estimation

• arxiv url: http://arxiv.org/abs/2509.01583v1
• Date: Mon, 01 Sep 2025 16:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.76636
• Title: Aleatoric Uncertainty from AI-based 6D Object Pose Predictors for Object-relative State Estimation
• Title（参考訳）: 物体相対状態推定のためのAIに基づく6次元オブジェクトポス予測器からのアレータリック不確かさ
• Authors: Thomas Jantos, Stephan Weiss, Jan Steinbrener,
• Abstract要約: 視覚に基づくオブジェクト相対ナビゲーションは、DLベースの6Dオブジェクトのポーズ予測器に依存して、ロボットの状態推定器の測定として、オブジェクトとロボットの間の相対的なポーズを提供する。 我々は、DL予測器の翻訳部と回転部から分離された2つの多層パーセプトロンを単純に含んで、既存のDLベースのオブジェクト相対ポーズ予測器を拡張することができることを示す。
• 参考スコア（独自算出の注目度）: 4.516340427736994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning (DL) has become essential in various robotics applications due to excelling at processing raw sensory data to extract task specific information from semantic objects. For example, vision-based object-relative navigation relies on a DL-based 6D object pose predictor to provide the relative pose between the object and the robot as measurements to the robot's state estimator. Accurately knowing the uncertainty inherent in such Deep Neural Network (DNN) based measurements is essential for probabilistic state estimators subsequently guiding the robot's tasks. Thus, in this letter, we show that we can extend any existing DL-based object-relative pose predictor for aleatoric uncertainty inference simply by including two multi-layer perceptrons detached from the translational and rotational part of the DL predictor. This allows for efficient training while freezing the existing pre-trained predictor. We then use the inferred 6D pose and its uncertainty as a measurement and corresponding noise covariance matrix in an extended Kalman filter (EKF). Our approach induces minimal computational overhead such that the state estimator can be deployed on edge devices while benefiting from the dynamically inferred measurement uncertainty. This increases the performance of the object-relative state estimation task compared to a fix-covariance approach. We conduct evaluations on synthetic data and real-world data to underline the benefits of aleatoric uncertainty inference for the object-relative state estimation task.
• Abstract（参考訳）: 深層学習(DL)は、意味オブジェクトからタスク固有の情報を抽出する生の知覚データを処理する能力に優れており、様々なロボティクス応用において欠かせないものとなっている。 例えば、視覚に基づくオブジェクト相対的ナビゲーションは、DLベースの6Dオブジェクトのポーズ予測器に依存して、ロボットの状態推定器の測定として、オブジェクトとロボットの間の相対的なポーズを提供する。 このようなディープニューラルネットワーク(DNN)に固有の不確実性を知ることは、その後ロボットのタスクを導く確率的状態推定器にとって不可欠である。 そこで,本論文では,DL予測器の翻訳部と回転部から分離した2つの多層パーセプトロンを単純に含んで,既存のDL型オブジェクト相対ポーズ予測器を拡張可能であることを示す。 これにより、既存のトレーニング済みの予測器を凍結しながら、効率的なトレーニングが可能になる。 次に,推定6次元ポーズとその不確かさを,拡張カルマンフィルタ(EKF)における測定および対応する雑音共分散行列として用いる。 提案手法は,動的に推定される測定の不確実性の恩恵を受けながら,状態推定器をエッジデバイスに展開できるように,最小限の計算オーバーヘッドを発生させる。 これにより、固定共分散アプローチと比較して、オブジェクト相対状態推定タスクのパフォーマンスが向上する。 本研究では, 合成データと実世界のデータを用いて, 相対的状態推定タスクに対するアレタリック不確実性推定の利点を明らかにする。

関連論文リスト

• Consensus-Driven Uncertainty for Robotic Grasping based on RGB Perception [4.719664724709857]
  どちらも対象物の6-DoFポーズを推定し、その推定の不確かさを予測する把握エージェントは、高い不確実性の下で動作しないことを選択することで、タスクの失敗を回避することができる。 本稿では,画像に基づくポーズ推定によって導かれるグリップが,そのグリップが試みられる前に成功するかどうかを予測するための,軽量で深いネットワークのトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-24T22:53:54Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Ambiguity-Aware Multi-Object Pose Optimization for Visually-Assisted Robot Manipulation [17.440729138126162]
  あいまいさを意識した6Dオブジェクトポーズ推定ネットワークPrimA6D++を汎用的不確実性予測手法として提案する。 提案手法は,T-LESS と YCB-Video のデータセットの性能向上を示す。 さらに,視覚支援ロボット操作のためのリアルタイムシーン認識機能を示す。
  論文  参考訳（メタデータ） (2022-11-02T08:57:20Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。