論文の概要: OV-PEAR: Observation-Verified Pose-Scale Estimation and Reconstruction for Unknown Industrial Manipulation Objects
- arxiv url: http://arxiv.org/abs/2610.25840v1
- Date: Mon, 19 Oct 2026 05:51:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 04:17:14.521333
- Title: OV-PEAR: Observation-Verified Pose-Scale Estimation and Reconstruction for Unknown Industrial Manipulation Objects
- Title（参考訳）: OV-PEAR:未知の産業用マニピュレーション物体の観測検証ポススケール推定と再構成
- Abstract要約: OV-PEARは未知の産業オブジェクトの3次元再構成とポーズスケール推定のための観測検証フレームワークである。
BOP-Industrialでは、OV-PEARは平均AR0.657に達し、実際のシーンにおけるポーズとボクセルレベルの幾何的一貫性を改善している。
- 参考スコア（独自算出の注目度）: 3.565767184849207
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fine industrial robotic manipulation requires 6D pose, scale, and an operation-ready 3D model. Existing industrial pose estimation relies on CAD models, object-specific training data, or stable workcells, limiting use with unseen objects; zero-shot methods suffer from single-view occlusion, generative bias, and scale uncertainty. We present OV-PEAR, an observation-verified framework for 3D reconstruction and pose-scale estimation of unknown industrial objects. Its three-stage object-centric pipeline: (1) segments RGB-D instances and generates object-level 3D hypotheses; (2) anchors them to the robot frame via appearance-aware view retrieval, explicit scale search, and visibility-sensitive registration; (3) back-projects multi-view RGB-D evidence into the object-canonical frame to verify voxel occupancy, suppress hallucinations, and produce reusable trusted object models. On BOP-Industrial, OV-PEAR achieves 0.657 average AR and improves pose and voxel-level geometric consistency in real scenes; real-robot connector assembly reaches 99.67% grasp and 84.00% assembly success. The model library and pose-scale log enable short-term object-level state maintenance at 0.02 ms/frame.
- Abstract（参考訳）: 精密な産業用ロボット操作には6Dポーズ、スケール、3Dモデルが必要である。
既存の産業のポーズ推定はCADモデル、オブジェクト固有のトレーニングデータ、安定したワークセルに依存し、見えないオブジェクトの使用を制限する。
OV-PEARは,未知の産業オブジェクトの3次元再構成とポーズスケール推定のための観測検証フレームワークである。
その3段階のオブジェクト中心パイプライン:(1)RGB-Dインスタンスをセグメント化し、オブジェクトレベルの3D仮説を生成する、(2)外観認識のビュー検索、明示的なスケール検索、可視性登録を通じてロボットフレームにそれらを固定する、(3)Voxelの占有を検証し、幻覚を抑え、再利用可能な信頼オブジェクトモデルを生成する。
BOP-Industrialでは、OV-PEARは平均で0.657のARを実現し、実際のシーンでのポーズとボクセルレベルの幾何的整合性を改善している。
モデルライブラリとポーズスケールログは、0.02ms/frameで短期的なオブジェクトレベルの状態維持を可能にする。
関連論文リスト
- MVM-IOD: An Industrial Object-Centric Benchmark Dataset for the Evaluation of 3D Reconstruction Methods [3.8233569758620054]
我々はMVM-IOD(Machine Vision Metrology Industrial Object dataset)を紹介する。
MVM-IODには、参照カメラのポーズと3Dポイントのクラウド、取得した9つのオブジェクトのRGBイメージ、そして18のシーンの背景選択が含まれている。
MVM-IODに基づいて、現在のSOTA 3D再構成とカメラポーズ推定手法を広範囲に評価する。
論文 参考訳（メタデータ） (2026-06-15T12:26:47Z) - Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。
SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
論文 参考訳（メタデータ） (2026-04-20T16:20:57Z) - IMD: A 6-DoF Pose Estimation Benchmark for Industrial Metallic Objects [4.959150853096882]
産業用途に適した新しいデータセットとベンチマークである textitIndustrial Metallic dataset (IMD) を提案する。
このデータセットは45の産業用部品からなり、自然の屋内照明の下でRGB-Dカメラで撮影する。
このベンチマークは、ビデオオブジェクトセグメンテーション、6Dポーズトラッキング、ワンショット6Dポーズ推定を含む3つのタスクをサポートする。
論文 参考訳（メタデータ） (2025-09-15T08:28:15Z) - CHIP: A multi-sensor dataset for 6D pose estimation of chairs in industrial settings [4.310149395049504]
CHIPは、実際の産業環境における椅子の6次元ポーズ推定のために設計された最初のデータセットである。
CHIPは、ロボットのキネマティクスから自動的に派生した6Dポーズに注釈付けされた77,811RGBD画像からなる。
結果は、データセットがもたらすユニークな課題を強調しながら、改善の余地がかなりあることを示している。
論文 参考訳（メタデータ） (2025-06-11T13:13:31Z) - PickScan: Object discovery and reconstruction from handheld interactions [99.99566882133179]
シーンの3次元表現を再構成する対話誘導型クラス依存型手法を開発した。
我々の主な貢献は、操作対象のインタラクションを検出し、操作対象のマスクを抽出する新しいアプローチである。
相互作用ベースとクラス非依存のベースラインであるCo-Fusionと比較すると、これはシャムファー距離の73%の減少に相当する。
論文 参考訳（メタデータ） (2024-11-17T23:09:08Z) - Zero123-6D: Zero-shot Novel View Synthesis for RGB Category-level 6D Pose Estimation [66.3814684757376]
本研究は,RGB 6Dのカテゴリレベルでのポーズ推定を向上するための拡散モデルに基づく新規ビュー合成器の実用性を示す最初の研究であるZero123-6Dを示す。
本手法は,データ要求の低減,ゼロショットカテゴリレベルの6Dポーズ推定タスクにおける深度情報の必要性の除去,およびCO3Dデータセットの実験により定量的に示された性能の向上を示す。
論文 参考訳（メタデータ） (2024-03-21T10:38:18Z) - Fit-NGP: Fitting Object Models to Neural Graphics Primitives [19.513102875891775]
本研究では, 高精度なポーズ推定法として, 最先端の高効率放射場再構成法によって生成された密度場が適していることを示す。
本稿では,手首にカメラを装着したロボットアームを用いた完全自動ポーズ推定システムを提案する。
論文 参考訳（メタデータ） (2024-01-04T16:57:56Z) - Amodal 3D Reconstruction for Robotic Manipulation via Stability and
Connectivity [3.359622001455893]
学習に基づく3Dオブジェクト再構成により、3Dオブジェクトモデルの単一または少数ショット推定が可能となる。
既存の3D再構成技術は、通常、シャムファー距離またはボクセルIOUによって測定される視覚的再構成忠実度を最適化する。
本稿では,オブジェクト形状よりも先に安定性を導入するアモーダル3D再構成システムARMと,接続前の接続,マルチチャネル入力表現を提案する。
論文 参考訳（メタデータ） (2020-09-28T08:52:54Z) - Single View Metrology in the Wild [94.7005246862618]
本研究では,物体の3次元の高さや地上のカメラの高さで表現されるシーンの絶対的なスケールを再現する,単一ビューメロジに対する新しいアプローチを提案する。
本手法は,被写体の高さなどの3Dエンティティによる未知のカメラとの相互作用から,弱い教師付き制約を抑えるために設計されたディープネットワークによって学習されたデータ駆動の先行情報に依存する。
いくつかのデータセットと仮想オブジェクト挿入を含むアプリケーションに対して、最先端の定性的かつ定量的な結果を示す。
論文 参考訳（メタデータ） (2020-07-18T22:31:33Z) - Kinematic-Structure-Preserved Representation for Unsupervised 3D Human
Pose Estimation [58.72192168935338]
大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。
本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。
提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
論文 参考訳（メタデータ） (2020-06-24T23:56:33Z)
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。