論文の概要: Object Pose Distribution Estimation for Determining Revolution and Reflection Uncertainty in Point Clouds

• arxiv url: http://arxiv.org/abs/2512.07211v1
• Date: Mon, 08 Dec 2025 06:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.743783
• Title: Object Pose Distribution Estimation for Determining Revolution and Reflection Uncertainty in Point Clouds
• Title（参考訳）: 点雲の回転・反射不確かさ決定のための物体電位分布推定
• Authors: Frederik Hagelskjær, Dimitrios Arapis, Steffen Madsen, Thorbjørn Mosekjær Iversen,
• Abstract要約: 本稿では,3次元無色データのみを用いて物体のポーズの不確かさを推定するニューラルネットワークを用いた新しい手法を提案する。 種々の幾何学的曖昧さの物体を用いた実世界のビンピッキングシナリオにおいて,本手法の有効性を検証した。 現在の実装では、リフレクションと革命の対称性に焦点を当てていますが、このフレームワークは完全なSE(3)ポーズの分布推定に拡張可能です。
• 参考スコア（独自算出の注目度）: 3.317877132984218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object pose estimation is crucial to robotic perception and typically provides a single-pose estimate. However, a single estimate cannot capture pose uncertainty deriving from visual ambiguity, which can lead to unreliable behavior. Existing pose distribution methods rely heavily on color information, often unavailable in industrial settings. We propose a novel neural network-based method for estimating object pose uncertainty using only 3D colorless data. To the best of our knowledge, this is the first approach that leverages deep learning for pose distribution estimation without relying on RGB input. We validate our method in a real-world bin picking scenario with objects of varying geometric ambiguity. Our current implementation focuses on symmetries in reflection and revolution, but the framework is extendable to full SE(3) pose distribution estimation. Source code available at opde3d.github.io
• Abstract（参考訳）: オブジェクトのポーズ推定はロボットの知覚に不可欠であり、通常は単一目的の推定を提供する。 しかし、単一の推定では、視覚的あいまいさから生じる不確実性は捉えられず、信頼できない振る舞いにつながる可能性がある。 既存のポーズ分布法は色情報に大きく依存しており、工業環境では利用できないことが多い。 本稿では,3次元無色データのみを用いて物体のポーズの不確かさを推定するニューラルネットワークを用いた新しい手法を提案する。 我々の知る限りでは、これはRGB入力に頼ることなく、ポーズ分布推定にディープラーニングを活用する最初のアプローチである。 種々の幾何学的曖昧さの物体を用いた実世界のビンピッキングシナリオにおいて,本手法の有効性を検証した。 現在の実装では、リフレクションと革命の対称性に焦点を当てていますが、このフレームワークは完全なSE(3)ポーズの分布推定に拡張可能です。 opde3d.github.ioで利用可能なソースコード

関連論文リスト

• Category Level 6D Object Pose Estimation from a Single RGB Image using Diffusion [9.025235713063509]
  一つのRGB画像からカテゴリレベルのオブジェクトのポーズ推定を行う難しい問題に対処する。 本稿では,特定のオブジェクトモデルや深度情報を必要としない新しいソリューションを提案する。 我々のアプローチは、REAL275データセットの現在の最先端をかなりのマージンで上回る。
  論文  参考訳（メタデータ） (2024-12-16T03:39:33Z)
• DVMNet++: Rethinking Relative Pose Estimation for Unseen Objects [59.51874686414509]
  既存のアプローチでは、通常、接地構造オブジェクト境界ボックスと、多数の離散仮説を持つ近似3次元回転を用いて3次元翻訳を予測している。 本稿では,1回のパスで相対オブジェクトのポーズを計算するDeep Voxel Matching Network (DVMNet++)を提案する。 提案手法は,最先端手法と比較して計算コストの低い新しいオブジェクトに対して,より正確な相対的ポーズ推定を行う。
  論文  参考訳（メタデータ） (2024-03-20T15:41:32Z)
• RGB-based Category-level Object Pose Estimation via Decoupled Metric Scale Recovery [72.13154206106259]
  本研究では、6次元のポーズとサイズ推定を分離し、不完全なスケールが剛性変換に与える影響を緩和するパイプラインを提案する。 具体的には,事前学習した単分子推定器を用いて局所的な幾何学的情報を抽出する。 別個のブランチは、カテゴリレベルの統計に基づいてオブジェクトのメートル法スケールを直接復元するように設計されている。
  論文  参考訳（メタデータ） (2023-09-19T02:20:26Z)
• SpyroPose: SE(3) Pyramids for Object Pose Distribution Estimation [4.8342038441006805]
  本稿では,SE(3)に基づくポーズ分布推定手法を提案する。 階層格子,ピラミッドを用いて,訓練中に効率よく重要度を抽出し,推論時のピラミッドのスパース評価を行う。 提案手法は,SO(3)の最先端手法よりも優れており,その知識を最大限活用するために,SE(3)のポーズ分布推定に関する最初の定量的結果を提供する。
  論文  参考訳（メタデータ） (2023-03-09T14:58:01Z)
• 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)
• 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)
• CPPF: Towards Robust Category-Level 9D Pose Estimation in the Wild [45.93626858034774]
  カテゴリーレベルのPPF投票法は、野生における正確で堅牢で一般化可能な9Dポーズ推定を実現する。 ノイズの多い点対のサンプルを排除し、個体群から最終的な予測を生成するために、新しい粗大な投票アルゴリズムを提案する。 我々の手法は実世界のトレーニングデータと同等である。
  論文  参考訳（メタデータ） (2022-03-07T01:36:22Z)
• Deep Bingham Networks: Dealing with Uncertainty and Ambiguity in Pose Estimation [74.76155168705975]
  Deep Bingham Networks (DBN)は、3Dデータに関するほぼすべての実生活アプリケーションで発生するポーズ関連の不確実性と曖昧性を扱うことができる。 DBNは、(i)異なる分布モードを生成できる多仮説予測ヘッドにより、アートダイレクトポーズ回帰ネットワークの状態を拡張する。 トレーニング中のモードや後方崩壊を回避し,数値安定性を向上させるための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-20T19:20:26Z)

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。