日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

姿勢推定arXiv:2606.02219

対称性を考慮したSim(3)一貫特徴と球面インセプション畳み込みによる9次元姿勢推定

Symmetry-Aware 9D Pose Estimation with Sim(3)-Consistent Feature and Spherical Inception Convolution

シェア:XThreadsFacebookLINEはてブBluesky

カテゴリレベルの物体姿勢推定において、大規模視覚モデルを用いた対称性認識モジュールで並進・サイズを推定し、球面インセプション畳み込みで特徴融合を行うことで、未知物体やクラス内変動に頑健な姿勢推定を実現した。

詳しい要約

1. どんなもの?

- カテゴリレベル物体姿勢推定の新手法を提案。 - 2つの革新: (1) 翻訳/サイズ推定器(semantic-guided symmetry-aware module)でLVMを活用し対称点を推論、形状事前分布なしで正確な翻訳とサイズを推定。 (2) 球面大カーネルinception convolutionに基づく特徴融合モジュールで、LVMの意味特徴と幾何特徴を融合し、長距離依存をモデル化。 - ベンチマークと実世界シーンでSOTAを達成し、ロボットピッキングシステムを開発。

2. 先行研究と比べてどこがすごい?

- インスタンスレベル手法は未見物体への汎化が困難。 - カテゴリレベル手法は非線形Sim(3)空間での学習の複雑さとクラス内変動に制約。 - 提案手法は形状事前分布なしで翻訳とサイズを推定し、回転推定の難易度を低減。 - 球面大カーネルinception convolutionで計算コストを抑えつつ長距離依存をモデル化し、クラス内変動に対応。

3. 技術・手法の肝は?

- 翻訳/サイズ推定器: semantic-guided symmetry-aware moduleがLVMの汎化能力を利用して対称点を推論。 - 回転推定: 推定された翻訳とサイズを事前計算キューとして使用し、非線形Sim(3)空間での学習を容易に。 - 特徴融合: 球面大カーネルinception convolutionにより、LVMの意味特徴と系統的に計算された幾何特徴を融合。 - 長距離依存をモデル化し、過度な計算コストなしで姿勢特徴を抽出。

4. どうやって有効だと検証した?

- ベンチマークと実世界シーンでSOTAを達成。 - 多様な物体を扱うロボットピッキングシステムを開発し、有効性を検証。 - 具体的なデータセット名や評価指標は要旨からは不明。

5. 議論はある?

- 非線形Sim(3)空間での学習の複雑さとクラス内変動への対処が課題。 - 提案手法は形状事前分布なしで翻訳とサイズを推定し、回転推定の基盤を強化。 - 計算コストを抑えつつ長距離依存をモデル化する点が議論の焦点。 - 限界や今後の課題は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: インスタンスレベル手法、カテゴリレベル手法、LVM (Large Vision Model)。 - 関連手法: Sim(3)空間での学習、球面大カーネルinception convolution。 - 同分野の定番: カテゴリレベル物体姿勢推定のベンチマーク(例: NOCS, CAMERA)。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Panfei Cheng, Hongshan Yu, Wenrui Chen, Xiaojun Tang, Jian Liu, Naveed Akhtar

分類: cs.CV

原文アブストラクト

Object pose estimation is a fundamental problem for an agent system to perceive or manipulate objects in images or videos. However, current instance-level methods struggle with generalization to unseen objects. Category-level methods seek to address this, but remain constrained by the complexities of learning in the non-linear Sim(3) space and intra-class variations. To address these challenges, We propose an effective method for category-level object pose estimation with two key innovations: (1) A translation/size estimator, featuring a semantic-guided symmetry-aware module that leverages robust generalization capabilities of a large vision model (LVM) to infer symmetry points, resulting in accurate translation and size without shape priors. This result serves as a precomputed cue for rotation estimation, thereby reducing the difficulty of learning in the non-linear Sim(3) space and laying a robust foundation for tackling the inherently more challenging rotation estimation. (2) A feature fusion module, based on our proposed spherical large-kernel inception convolution, fuses semantic features from the LVM with systematically computed geometric features to extract essential pose features from intra-class variations by modeling long-range dependencies without excessive computational cost. Built on these innovations, we achieve SOTA on benchmarks and real-world scenes, while developing a robust robotic picking system capable of handling diverse objects. Our code will be available at the project page: {\hypersetup{urlcolor=blue}https://panfei-cheng.github.io/SSH-Pose}.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI