一种用于6D对象姿态跟踪的新粒子过滤器香香
时间：2022/07/19 20:32:04 编辑：
一种用于6D对象姿态跟踪的新粒子过滤器
NVIDIA，华盛顿大学，斯坦福大学和伊利诺伊大学厄本那香槟分校的研究人员最近开发了一种用于6D姿态跟踪的Rao-Blackwellized粒子滤波器，称为PoseRBPF。该方法可以有效地估计对象的3-D平移及其在3-D旋转上的完整分布。描述该过滤器的论文已预先发布在arXiv上，将在即将于德国弗赖堡举行的机器人科学与系统会议上发表
跟踪视频中对象的6D姿态可以提高机器人在各种任务中的性能。用于对象姿态估计的大多数现有技术试图预测每个相机帧中对象的6维姿态的单个估计。
这些方法具有许多局限性和问题。例如，他们无法分辨部分或完全遮挡的对象的姿势。此外，在某些情况下，由于对称性，对于物体的姿势没有单一的正确答案，这使任务更加复杂。
进行这项研究的研究人员之一Arsalan Mousavian告诉TechXplore：“事实证明，我们日常环境中的许多物体都是对称的，例如餐盘，碗，瓶或立方体。” “这些对象没有独特的3D方向，因为它们从许多不同的角度看起来都是相同的。
为了避免这些问题，我们提出了一种方法来跟踪对象姿势的完整分布这种分布可以准确地捕获对象姿势中的不确定性，并且随着时间的推移进行跟踪有助于消除对象姿势的歧义，例如，如果某个对象在某个点可见并且被遮挡，则该方法可以通过跟踪它来恢复姿势从以前的帧。”
Moosevian和他的同事开发的方法PoseRBPF可以跟踪给定对象相对于特定相机在6D姿势上的完整分布。
6-D空间上的概率分布非常复杂，因此，如果无法正确测量它们，则不可能实时更新它们。为了确保跟踪分布的准确性，研究人员使用一种称为Rao-Blackwellized粒子滤波的技术，将他们对3D对象平移和3D对象方向的估计分离。
“在Rao-Blackwellized粒子滤波中，对象平移由样本或粒子表示，并且方向离散成接近200,000个可能方向的小块，” Mousavian解释说。“我们使用深度学习技术预先计算了嵌入，这些嵌入表示对象在所有这些方向和任意光照条件下的外观。
利用高度并行的NVIDIA GPU处理，我们的方法可以将当前的相机图像与这些图像进行比较。预先为所有可能的方向计算嵌入，并实时更新分布。”
在每个时间步，研究人员设计的方法都是通过从一个先前的粒子集采样来更新粒子集，并遵循一个模型，该模型可以预测物体和相机如何从一个步骤移动到另一个步骤。此过程使PoseRBPF可以随着时间积累信息，从而导致更可靠，更准确的姿势估计。
通过对翻译进行方向估计，Mousavian和他的同事提出的跟踪系统可以有效地表示6维物体姿态空间上的复杂不确定性分布。
他们的框架还提供有关给定对象姿势的不确定性信息，这在机器人操作任务中可能特别有用。此外，该系统使用合成的和未注释的数据进行了培训，因此可以节省研究人员在注释数据上花费的时间和资源。
Mousavian说：“我们的方法将粒子滤波的经典贝叶斯估计框架与深度学习结合在一起。” “因此，它将过去几十年开发的完善的估计技术与最新的深度学习方法的强大功能结合在一起。因此，PoseRBPF可以可靠地估计任意对象的姿势，包括对称对象。”
研究人员在两个6维姿势估计数据集上评估了他们的方法：YCB视频数据集和T-LESS数据集。PoseRBPF取得了最先进的结果，优于其他姿势估计技术。将来，由Mousavian和他的同事开发的粒子过滤器可以在各种环境中提高机器人的性能，例如通过增强对象的操纵能力。
Mousavian说：“展望未来，我们将研究如何在对象操纵的背景下使用PoseRBPF提供的不确定性估计。” “未来工作的另一种途径是积极移动相机，以减少物体姿态的不确定性，例如从不同的角度看物体以解决歧义。”