玻璃物体的透明度意识细分用于训练基于RGB的姿势估计器
Maira Weidenbach1, Tim Laue1, Udo Frese1
1Faculty of Mathematics and Computer Science, University of Bremen, 28359 Bremen, Germany.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
这项研究引入了透明度意识的基本真理,用于训练机器人姿势估计器,提高透明物体如眼镜的准确性. 重新定义的多分段和边界框增强了家庭作业的6D姿势估计.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 机器人操纵需要精确的对象姿势估计,用于诸如家务之类的任务.
- 估计透明物体 (例如眼镜) 的6D姿势是具有挑战性的,因为RGB图像中的深度数据和遮受到干扰.
研究的目的:
- 通过重新定义地面真相培训数据,改进基于RGB的透明对象的姿势估计.
- 在训练数据中增强对象尺度和尺寸表示的一致性.
主要方法:
- 提出了一种透明度意识的多分段化方法,其中像素可以属于多个对象.
- 引入了透明度意识的边界框,包括整个对象,即使被遮住.
- 在ClearPose数据集上训练了一个现有的姿势估计器,使用新的基本真相类型.
主要成果:
- 通过使用透明度意识的培训细分来提高ADD-S AUC的4.3%.
- 在没有修改核心姿势估计器架构的情况下证明了性能改进.
- 在一个具有挑战性的数据集上验证了拟议的基本真相定义的有效性.
结论:
- 透明度意识的基本真相定义显著提高了基于RGB的透明对象的6D姿势估计.
- 拟议的多分段化和界限框方法提供了适用于3D模型和基本真相设置的数据集的可概括方法.
- 这项研究为更强大的机器人操纵在复杂的现实环境中,涉及透明物品铺平了道路.


