2022-09-20
刚性对象的6D姿势的估计是计算机视觉中的一个基本问题。传统上，姿势估计与确定单一最佳估计有关。但是，单个估计无法表达视觉歧义，在许多情况下，由于对象对称或识别特征的阻塞，这在许多情况下是不可避免的。无法说明姿势的歧义可能会导致后续方法的失败，这是在失败成本高时无法接受的。完全姿势分布的估计与单个估计相反，非常适合表达姿势不确定性。由此激励，我们提出了一种新颖的姿势分布估计方法。对象姿势上概率分布的隐式公式来自对象的中间表示作为一组关键点。这样可以确保姿势分布估计值具有很高的解释性。此外，我们的方法基于保守近似，这导致可靠的估计。该方法已被评估在YCB-V和T-less数据集上旋转分布估计的任务，并在所有对象上可靠地执行。
translated by 谷歌翻译
许多工业组装任务都涉及孔洞孔，例如插入具有巨大公差的插入，即使在高度校准的机器人细胞中也很具有挑战性。可以采用视觉伺服来提高系统中不确定性的鲁棒性，但是，最先进的方法要么依赖于准确的3D模型用于合成渲染，要么手动参与训练数据。我们提出了一种新型的自我监督的视觉伺服涂方法，用于高精度钉插入，该方法是完全自动化的，不依赖合成数据。我们证明了其适用于将电子组件插入具有紧密公差的印刷电路板中。我们表明，可以通过我们提出的视觉伺服方法在强大但缓慢的基于力的插入策略之前大幅度地加速插入孔的插入，该方法的配置是完全自主的。
translated by 谷歌翻译