CHSEL: Producing Diverse Plausible Pose Estimates from Contact and Free Space Data

要約

この論文では、各点が自由空間にあるか物体の表面上にあるかなどの体積情報を備えた点のセットから、剛体の妥当な姿勢のセットを推定するための新しい方法を提案します。
特に、接触によって生じる力と触覚データから姿勢を推定する方法を研究します。
接触から得られたデータは視覚データよりも本質的に情報密度が低いため、接触から得られたデータを使用することは困難です。そのため、接触が少ない場合、姿勢推定の問題は大幅に制約が不十分になります。
多数の接触がないと扱えない物体の真の姿勢を推定しようとするのではなく、センサー データによって課せられる制約に従う妥当な一連の姿勢を推定しようとします。
既存の方法は、単一の姿勢推定用に設計されているか、効果的な事前情報を必要とするため、このセットを推定するのが困難です。
この問題に対する私たちのアプローチである制約ポーズ仮説セット消去 (CHSEL) には、次の 3 つの重要な属性があります。 1) 体積情報を考慮するため、既知の空き領域を考慮することができます。
2) 新しい微分可能な体積コスト関数を使用して、強力な勾配ベースの最適化ツールを活用します。
3) 品質多様性 (QD) 最適化文献の手法を使用して、高品質のポーズの多様なセットを生成します。
私たちの知る限り、QD 手法はこれまでポーズの登録に使用されていませんでした。
また、ロボットによってより多くのデータが収集されるにつれて、もっともらしい姿勢推定をオンラインで更新する方法も示します。
私たちの実験では、CHSEL がシミュレーション データと現実世界のデータの両方で、いくつかのベースライン手法に比べてパフォーマンスが大幅に向上していることがわかりました。

要約(オリジナル)

This paper proposes a novel method for estimating the set of plausible poses of a rigid object from a set of points with volumetric information, such as whether each point is in free space or on the surface of the object. In particular, we study how pose can be estimated from force and tactile data arising from contact. Using data derived from contact is challenging because it is inherently less information-dense than visual data, and thus the pose estimation problem is severely under-constrained when there are few contacts. Rather than attempting to estimate the true pose of the object, which is not tractable without a large number of contacts, we seek to estimate a plausible set of poses which obey the constraints imposed by the sensor data. Existing methods struggle to estimate this set because they are either designed for single pose estimates or require informative priors to be effective. Our approach to this problem, Constrained pose Hypothesis Set Elimination (CHSEL), has three key attributes: 1) It considers volumetric information, which allows us to account for known free space; 2) It uses a novel differentiable volumetric cost function to take advantage of powerful gradient-based optimization tools; and 3) It uses methods from the Quality Diversity (QD) optimization literature to produce a diverse set of high-quality poses. To our knowledge, QD methods have not been used previously for pose registration. We also show how to update our plausible pose estimates online as more data is gathered by the robot. Our experiments suggest that CHSEL shows large performance improvements over several baseline methods for both simulated and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google