CEPB 数据集:一个摄影现实数据集,以促进在杂乱的环境中对垃圾拾取的研究

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 现有的数据集通常集中在孤立的对象或有组织的场景上,限制了在复杂的现实环境下对算法的评估.
• 对象检测和姿势估计对于机器人操纵至关重要,特别是在像垃圾拾取这样的非结构化环境中.
• 对于算法开发和基准测试,需要全面的数据集,准确地代表混乱环境的挑战.

研究的目的:

• 介绍一套新的数据集,即杂乱环境选择基准 (CEPB),专门设计用于在高度杂乱的场景中检测物体和构成估计.
• 提供一个具有挑战性的基准来评估视觉算法在机器人垃圾拾取的背景下.
• 为了促进能够处理复杂对象排列和变化的算法的开发和比较.

主要方法:

• 使用虚拟环境生成大约150万张光现实图像,包括RGB,深度,正常和细分数据.
• 标注5万个杂乱的场景与40个不同的3D对象模型 (刚性,柔软,可变形),包括2D/3D边界框,中心位置和表面可见度百分比.
• 包括相机位置的变化,照明条件和高动态范围成像 (HDRI) 用于域随机化,以及近10,000个单个对象图像用于基线测试.

主要成果:

• CEPB数据集提供了一个全面的资源,用于在具有挑战性的,混乱的垃圾选场景中强调视觉算法.
• 使用DOPE神经网络的基线性能评估表明了数据集的难度,并突出了算法改进的领域.
• 该数据集可以直接比较简单的,孤立的对象测试和复杂的,混乱的场景测试的性能.

结论:

• CEPB数据集代表了对物体检测和物体估计在混乱环境中的研究的重大进步.
• 它为推动机器人感知和操纵的界限提供了一个标准化和具有挑战性的基准.
• 数据集的丰富注释和现实的场景生成将加速开发更强大,更适应性的机器人系统来选择任务的进展.