Experimental Study of CAD‐Based Scaled Alignment and Object Pose Estimation for RGB‐D Sensor
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pose estimation of objects is one of the main tasks for robotics to understand their environments and for monitoring tasks of grasping and manipulation of objects. In this paper, we present an experimental study of CAD‐based object pose estimation to detect object locations and estimate their orientations using the prior defined models. Specifically, our study pipeline is developed for RGB‐D sensors and consists of three steps. First, we incorporate an objection detection method using RGB images, which can result in the definition of the bounding boxes, instance masks, and class labels of detected objects with missing pose information. Then, we leverage the depth values of the masked pixels and known camera intrinsics to generate point clouds of objects. Finally, we align CAD models, defined in canonical poses, to the scan objects, achieving pose estimation and complete representation for the objects. Given that there may exist many challenges for such alignment task such as scale differences, partial overlap, noise, and outliers, we introduce two alignment approaches, namely, scale iterative closest point (SICP) and coherent point drift (CPD), and present a comprehensive experimental study of their accuracy, robustness, and computational efficiency. In particular, we observe that the methods are sensitive to the initial relative poses of objects. To address this problem, we introduce a multipose initialization scheme to improve their robustness. Our experimental results show that both methods can achieve accurate alignment; however, scale ICP (SICP) is time‐efficient, while CPD is more robust to noise and occlusions. Our study demonstrates the feasibility of using RGB‐D sensors, an object detection module, and point cloud alignment methods for accurate object detection and pose estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle