論文の概要: Uncertainty Quantification for Visual Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2511.21666v1
• Date: Wed, 26 Nov 2025 18:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.250911
• Title: Uncertainty Quantification for Visual Object Pose Estimation
• Title（参考訳）: ビジュアルオブジェクトのポース推定のための不確かさの定量化
• Authors: Lorenzo Shaikewitz, Charis Georgiou, Luca Carlone,
• Abstract要約: オブジェクトのポーズ推定の不確実性は、堅牢な制御と計画に不可欠である。 我々はこの集合を1つの楕円体不確実性境界に還元する凸プログラムを開発する。 このポーズの不確実性境界は、独立翻訳に容易に投影できることを示す。
• 参考スコア（独自算出の注目度）: 13.678544503253613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying the uncertainty of an object's pose estimate is essential for robust control and planning. Although pose estimation is a well-studied robotics problem, attaching statistically rigorous uncertainty is not well understood without strict distributional assumptions. We develop distribution-free pose uncertainty bounds about a given pose estimate in the monocular setting. Our pose uncertainty only requires high probability noise bounds on pixel detections of 2D semantic keypoints on a known object. This noise model induces an implicit, non-convex set of pose uncertainty constraints. Our key contribution is SLUE (S-Lemma Uncertainty Estimation), a convex program to reduce this set to a single ellipsoidal uncertainty bound that is guaranteed to contain the true object pose with high probability. SLUE solves a relaxation of the minimum volume bounding ellipsoid problem inspired by the celebrated S-lemma. It requires no initial guess of the bound's shape or size and is guaranteed to contain the true object pose with high probability. For tighter uncertainty bounds at the same confidence, we extend SLUE to a sum-of-squares relaxation hierarchy which is guaranteed to converge to the minimum volume ellipsoidal uncertainty bound for a given set of keypoint constraints. We show this pose uncertainty bound can easily be projected to independent translation and axis-angle orientation bounds. We evaluate SLUE on two pose estimation datasets and a real-world drone tracking scenario. Compared to prior work, SLUE generates substantially smaller translation bounds and competitive orientation bounds. We release code at https://github.com/MIT-SPARK/PoseUncertaintySets.
• Abstract（参考訳）: オブジェクトのポーズ推定の不確実性の定量化は、堅牢な制御と計画に不可欠である。 ポーズ推定はよく研究されているロボット工学の問題であるが、厳密な分布仮定がなければ統計的に厳密な不確実性はよく理解されない。 本研究は, 単分子的条件下で, 与えられたポーズ推定値に関する分布自由ポーズ不確実性バウンダリを開発する。 我々のポーズの不確実性は、既知の物体上の2次元意味キーポイントの画素検出にのみ高確率ノイズ境界を必要とする。 このノイズモデルは、ポーズの不確実性制約の暗黙の非凸集合を誘導する。 我々の重要な貢献はSLUE(S-Lemma Uncertainty Estimation)であり、このセットを単一の楕円形不確実性境界に還元する凸プログラムであり、これは真のオブジェクトのポーズを高い確率で含むことが保証される。 SLUEは、有名なS-レムマにインスパイアされた最小体積境界楕円体問題の緩和を解く。 境界の形状や大きさを最初に推測する必要はなく、真対象のポーズを高い確率で含むことが保証されている。 同じ信頼度でより厳密な不確実性境界に対して、SLUE は与えられたキーポイント制約の集合に対して最小体積楕円型不確実性境界に収束することが保証される2乗緩和階層に拡張する。 このポーズの不確実性境界は、独立翻訳や軸-角配向境界に容易に投影できることを示す。 2つのポーズ推定データセットと実世界のドローン追跡シナリオでSLUEを評価する。 以前の研究と比較すると、SLUEは翻訳境界と競合方向境界を著しく小さくする。 私たちはhttps://github.com/MIT-SPARK/PoseUncertaintySetsでコードをリリースします。

関連論文リスト

• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction [44.83236260638115]
  我々は共形予測を利用してオブジェクト境界ボックスのカバレッジを保証した不確実区間を求める。 これを行う上での課題のひとつは、オブジェクトのクラスラベルにバウンディングボックスの予測が条件付けられていることだ。 本研究では,予測されたクラスラベルの不確かさを,境界ボックスの不確かさ間隔に伝播させる新しい2段階コンフォメーション手法を開発する。
  論文  参考訳（メタデータ） (2024-03-12T02:45:24Z)
• Object Pose Estimation with Statistical Guarantees: Conformal Keypoint Detection and Geometric Uncertainty Propagation [38.54398084892807]
  2段階のオブジェクトポーズ推定は、まず画像上のセマンティックキーポイントを検出し、再投影誤差を最小限にして6Dポーズを推定する。 既存の手法は、推定の不確実性の証明可能な保証を提供しない。 我々は平均ポーズを計算し、最悪のエラー境界を適用するためにRANdom SA averaGing (RANSAG) を開発した。
  論文  参考訳（メタデータ） (2023-03-22T00:55:53Z)
• Ki-Pode: Keypoint-based Implicit Pose Distribution Estimation of Rigid Objects [1.209625228546081]
  本稿では,新しいポーズ分布推定法を提案する。 オブジェクトのポーズ上の確率分布の暗黙的な定式化は、キーポイントの集合としてのオブジェクトの中間表現から導かれる。 本手法は,YCB-VおよびT-LESSデータセット上での回転分布推定のタスクに基づいて評価されている。
  論文  参考訳（メタデータ） (2022-09-20T11:59:05Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• 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)
• 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)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。