基于物体的 SLAM 中位姿不确定性的多假设方法
本研究提出了一种解决 3D 物体检测和姿态估计中本质的模糊性的方法。对于每个物体实例,我们预测多个姿态和类别结果,以估计由对称和重复文理所产生的特定姿态分布。当视觉外观唯一识别出一个有效姿态时,分布将崩溃为单一结果。我们展示了我们的方法的好处,不仅提供更好的姿态模糊解释,而且在姿态估计方面也具有更高的准确性。
Dec, 2018
提出了基于关键点的对象级 SLAM 框架,能够为对称和非对称对象提供全局一致的 6DoF 姿态估计。通过利用来自 SLAM 的相机姿态信息,提供对对称对象上跟踪关键点的 先验知识 -- 确保新的测量结果与当前 3D 场景一致。实验表明,该方法在 6DoF 对象姿态估计方面具有竞争性能,并以实时速度运行。
May, 2022
该论文提出了一种称为 CosyPose 的方法,能够从一组待定相机视图的场景中,准确地恢复多个已知对象的 6D 姿态,并且能够处理对象的对称性,不需要深度测量,还能自动还原场景中的物体数量,并解决了通过解决对象级捆绑调整问题实现对全局场景的细化。
Aug, 2020
本文提出一种基于分割的 6D 姿态估计框架,使用关键点检测获取局部姿态预测,并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系,从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计,其采用简单且高效的架构实现实时性能。
Dec, 2018
提出了一种基于多视角视野的实时视觉系统,可以从单个 RGB-D 视角提出三维物体姿态建议,并且根据多个视角的姿态估计和非参数占用信息积累这些姿态估计,从而对接触的多个已知对象进行一致的、不相交的姿态估计。应用于实时机器人应用程序中,只使用机载 RGB-D 视觉,机械臂可以精确而有序地拆卸复杂的物体堆放,展示了其准确性和鲁棒性。
Apr, 2020
本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器,将普通物体表示为四面体,进一步细化物体重建,检测附加平面标志并建模为独立地标志,可大幅提高系统的定位性能和语义地图的丰富程度。
Sep, 2018
本论文提出了一种使用全局推理的新型全连接 CRF 方法来生成位姿假设池,相较于基于局部推理的方法,该方法提供了超过当前难度较大的 “被遮挡物体数据集” 位姿估计最新技术的结果。
Dec, 2016
研究单视图和部分遮挡视图下获取人体的密集三维重建问题,建议通过合适的三维模型参数化人体形状和姿势,学习一种多假设神经网络回归器,约束每个假设位于合理人体姿势的流形上,并且在标准 3D 人体基准和重度遮挡版本中,该方法表现出优异的处理模糊姿态恢复的性能。
Nov, 2020
通过单个参考视图与查询图像之间的相对物体姿态估计,我们提出了一种基于假设和验证框架的新方法,并引入了一种 3D 感知验证,以衡量可靠性,证明了我们方法在相对姿态估计和处理未见过的物体时的鲁棒性。
Oct, 2023