論文の概要: RoPE-Flow: Monocular Vision-based Robot Pose Estimation via 2D Graph-Conditioned 3D Flow Matching

• arxiv url: http://arxiv.org/abs/2610.21086v1
• Date: Thu, 15 Oct 2026 01:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.120579
• Title: RoPE-Flow: Monocular Vision-based Robot Pose Estimation via 2D Graph-Conditioned 3D Flow Matching
• Title（参考訳）: RoPE-Flow:2次元グラフ合成3次元フローマッチングによる単眼視型ロボットの姿勢推定
• Abstract要約: カメラとロボットのポーズ推定のためのエンドツーエンドのフローマッチングフレームワークであるRoPE-Flowを提案する。 予測された2次元熱マップから,位置特徴を得るためのキーポイント中心の特徴抽出器を提案する。 また、学習可能な隣接マップを組み込んでフローマッチングの条件を生成するグラフ誘導条件生成器も導入する。
• 参考スコア（独自算出の注目度）: 16.303073816779378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera-to-robot pose estimation from a monocular image is significant for vision-based robot navigation and control. However, recovering 3D structural features from 2D observations remains a challenging task. Existing camera-to-robot pose estimation methods either rely on time-consuming iterative rendering or involve sophisticated 2D-3D registration which suffers from projection ambiguity, accumulated errors for distal joints and imbalanced learning for different joints. In this work, we propose RoPE-Flow, an end-to-end flow matching-based framework for camera-to-robot pose estimation. From the predicted 2D heatmaps, we propose a Keypoint-centered Feature Extractor to obtain positional features along with contextual representations from keypoints-centered multi-scale patches. Moreover, we introduce Graph-guided Condition Generator, which embeds a learnable adjacency map to generate condition for flow matching based on correlation among keypoints. Besides, we introduce Bone Length Loss and Ray-Depth Loss for topological consistency and scale stability, with joint-wise weighting to mitigate varied prediction difficulty across joints. The proposed method outperforms state-of-the-art methods for pose estimation across different types of robots with mutiple cameras. Besides, we establish a novel cross-scene benchmark to demonstrate the outstanding performance of RoPE-Flow on zero-shot cross-scene robot pose estimation. Meanwhile, animated visualizations are shown on the website: ropeflow.netlify.app
• Abstract（参考訳）: 単眼画像からのカメラとロボットのポーズ推定は、視覚に基づくロボットのナビゲーションと制御において重要である。 しかし、2次元観測から3次元構造的特徴を復元することは難しい課題である。 既存のカメラとロボットのポーズ推定方法は、時間を要する反復レンダリングに依存するか、プロジェクションの曖昧さ、遠位関節の累積誤差、異なる関節の非バランス学習に苦しむ洗練された2D-3D登録を必要とする。 本研究では,カメラとロボットのポーズ推定のためのエンドツーエンドフローマッチングフレームワークであるRoPE-Flowを提案する。 予測された2次元ヒートマップから,キーポイント中心のマルチスケールパッチからのコンテキスト表現とともに,位置特徴を抽出するキーポイント中心のフィーチャーエクストラクタを提案する。 さらに,学習可能な隣接マップを組み込んで,キーポイント間の相関に基づくフローマッチング条件を生成するグラフ誘導条件生成器を提案する。 さらに, トポロジカル一貫性とスケール安定性に優れた骨長損失とレイディース損失を導入し, 関節間の予測困難を軽減した。 提案手法は,多目的カメラを用いた多種多様なロボット間でのポーズ推定において,最先端の手法よりも優れる。 さらに,ゼロショットクロスシーンロボットのポーズ推定におけるRoPE-Flowの優れた性能を示すために,新しいクロスシーンベンチマークを構築した。 一方、アニメーションヴィジュアライゼーションはWebサイトに表示される。 ropeflow.netlify.app

関連論文リスト

• End-to-End Multi-Person Pose Estimation with Pose-Aware Video Transformer [7.19764062839405]
  ビデオにおける多人数2Dポーズ推定のためのエンドツーエンドフレームワークを提案する。 鍵となる課題は、複雑な時間軌道と重なり合う時間軌道の下で、個人をフレーム全体で関連付けることである。 本稿では,フレーム内関係と時間デコーダのポーズをモデル化するための空間エンコーダを備えた新しいPose-Aware VideoErEr Network(PAVE-Net)を提案する。
  論文  参考訳（メタデータ） (2025-11-17T10:19:35Z)
• PoseDiff: A Unified Diffusion Model Bridging Robot Pose Estimation and Video-to-Action Control [67.17998939712326]
  本稿では,ロボットの状態推定と制御を単一のフレームワーク内で統一する条件拡散モデルPoseDiffを提案する。 中心となるPoseDiffは、生の視覚を3Dキーポイントや関節角などの構造化されたロボットの状態にマッピングする。 この基盤の上に構築されたPoseDiffは、ビデオからアクションへの逆ダイナミクスに自然に拡張する。
  論文  参考訳（メタデータ） (2025-09-29T10:55:48Z)
• SCIPaD: Incorporating Spatial Clues into Unsupervised Pose-Depth Joint Learning [17.99904937160487]
  本研究では,教師なし深層学習のための空間的手がかりを取り入れた新しいアプローチであるSCIPaDを紹介する。 SCIPaDは平均翻訳誤差22.2%、カメラポーズ推定タスクの平均角誤差34.8%をKITTI Odometryデータセットで達成している。
  論文  参考訳（メタデータ） (2024-07-07T06:52:51Z)
• UPose3D: Uncertainty-Aware 3D Human Pose Estimation with Cross-View and Temporal Cues [55.69339788566899]
  UPose3Dは多視点人間のポーズ推定のための新しいアプローチである。 直接的な3Dアノテーションを必要とせずに、堅牢性と柔軟性を向上させる。
  論文  参考訳（メタデータ） (2024-04-23T00:18:00Z)
• Kinematic-aware Hierarchical Attention Network for Human Pose Estimation in Videos [17.831839654593452]
  従来の人間のポーズ推定手法は, 連続するフレームの特徴を活用することで, 有望な結果を示した。 ほとんどのアプローチでは、ジッターに精度を妥協し、人間の動きの時間的側面を理解しない。 キネマティックなキーポイント機能を利用するアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-11-29T01:46:11Z)
• Multi-View Multi-Person 3D Pose Estimation with Plane Sweep Stereo [71.59494156155309]
  既存のマルチビュー3Dポーズ推定手法は、複数のカメラビューからグループ2Dポーズ検出に対するクロスビュー対応を明確に確立する。 平面スイープステレオに基づくマルチビュー3Dポーズ推定手法を提案し、クロスビュー融合と3Dポーズ再構築を1ショットで共同で解決します。
  論文  参考訳（メタデータ） (2021-04-06T03:49:35Z)

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。