MatchNorm: Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World

要約

この作業では、点群データからオブジェクトの 6D ポーズを推定するタスクに取り組みます。
このタスクに対処するための最近の学習ベースのアプローチは、合成データセットで大きな成功を収めていますが、実際のデータが存在すると失敗することが観察されています。
したがって、これらの失敗の原因を分析します。これは、ソース点群とターゲット点群の特徴分布の違い、および2点間の回転範囲に対する広く使用されているSVDベースの損失関数の感度にまでさかのぼります。
雲。
新しい正規化戦略であるMatch Normalizationを導入することで最初の課題に対処し、ポイント対応の負の対数尤度に基づく損失関数を使用して2番目の課題に対処します。
私たちの 2 つの貢献は一般的なものであり、多くの既存の学習ベースの 3D オブジェクト登録フレームワークに適用できます。DCP と IDAM の 2 つに実装することで説明します。
実際のシーンのTUD-L、LINEMOD、およびOccluded-LINEMODデータセットでの実験は、私たちの戦略の利点を証明しています。
これにより、学習ベースの 3D オブジェクト登録方法が初めて実世界のデータで意味のある結果を達成できるようになります。
したがって、それらが点群登録方法の将来の開発の鍵になると期待しています。

要約(オリジナル)

In this work, we tackle the task of estimating the 6D pose of an object from point cloud data. While recent learning-based approaches to addressing this task have shown great success on synthetic datasets, we have observed them to fail in the presence of real-world data. We thus analyze the causes of these failures, which we trace back to the difference between the feature distributions of the source and target point clouds, and the sensitivity of the widely-used SVD-based loss function to the range of rotation between the two point clouds. We address the first challenge by introducing a new normalization strategy, Match Normalization, and the second via the use of a loss function based on the negative log likelihood of point correspondences. Our two contributions are general and can be applied to many existing learning-based 3D object registration frameworks, which we illustrate by implementing them in two of them, DCP and IDAM. Our experiments on the real-scene TUD-L, LINEMOD and Occluded-LINEMOD datasets evidence the benefits of our strategies. They allow for the first time learning-based 3D object registration methods to achieve meaningful results on real-world data. We therefore expect them to be key to the future development of point cloud registration methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google