視覚的物体姿勢推定の不確かさ定量化：S-Lemmaによる楕円体境界

- 単眼設定における物体 pose 推定の不確かさを、分布仮定なしで定量化する手法。 - 既知物体上の 2D semantic keypoints の pixel 検出に対する高確率 noise bounds のみを要求。 - その noise model が誘起する非凸な pose 不確かさ制約集合を、単一の ellipsoidal uncertainty bound に縮約する。 - 提案手法 SLUE (S-Lemma Uncertainty Estimation) は凸計画として定式化される。

- pose 推定自体は研究済みだが、厳しい分布仮定なしに統計的に厳密な不確かさを付与する方法は未解明だった。 - 提案手法は distribution-free な pose uncertainty bounds を単眼設定で実現。 - bound の形状・サイズの初期推定を必要としない点が特徴。 - 従来手法と比較し、大幅に小さい translation bounds と競争力のある orientation bounds を生成。

- 2D semantic keypoints の pixel 検出に対する高確率 noise bounds を出発点とする。 - この noise model から暗黙的で非凸な pose 不確かさ制約集合が導かれる。 - 有名な S-lemma に着想を得て、minimum volume bounding ellipsoid 問題の緩和を解く凸計画 SLUE を提案。 - 真の object pose を高確率で含むことを保証。 - 同一信頼度でよりタイトな bound を得るため、sum-of-squares relaxation hierarchy へ拡張し、keypoint 制約集合に対する最小体積 ellipsoidal bound への収束を保証。 - 得られた pose uncertainty bound を独立な translation と axis-angle orientation の bound に射影可能。

- 2 つの pose estimation datasets と実世界の drone tracking シナリオで SLUE を評価。 - 先行研究と比較して、SLUE が大幅に小さい translation bounds と競争力のある orientation bounds を生成することを示した。 - コードは https://github.com/MIT-SPARK/PoseUncertaintySets で公開。

- 要旨からは不明。 - ただし distribution-free 設定、非凸集合の凸緩和、sum-of-squares relaxation hierarchy の計算コストや保守性については本文での議論が想定される。

- S-lemma に関する文献。 - minimum volume bounding ellipsoid 問題。 - sum-of-squares relaxation hierarchy。 - 比較対象となる先行 pose uncertainty 手法（要旨では個別名は明示されず）。 - 評価に用いた 2 つの pose estimation datasets（名称は要旨からは不明）。