Shape Completion with Prediction of Uncertain Regions

要約

形状の完成、つまり部分的な観察から物体の完全な形状を予測することは、いくつかの下流タスク、特にロボット操作に非常に関連しています。
物体の形状の再構築に基づいて実際の把握を計画または予測する場合、深刻な幾何学的不確実性の兆候が不可欠です。
特に、曖昧なオブジェクトビューが与えられた場合、拡張領域ではオブジェクト部分全体の存在について軽減できない不確実性が存在する可能性があります。
この重要なケースを扱うために、局所的な空間占有を予測する方法の直接的な拡張として、そのような不確実な領域を予測するための 2 つの新しい方法を提案します。1 つは後処理占有スコアによるもので、もう 1 つは不確実性指標の直接予測によるものです。
これらの方法を、確率的に形状を完成させる 2 つの既知のアプローチと比較します。
さらに、ShapeNet から派生した、不確実な領域に対するグラウンド トゥルース アノテーションを備えたオブジェクト ビューのリアルにレンダリングされた深度画像のデータセットを生成します。
このデータセットでトレーニングし、既知および新規のオブジェクト インスタンスおよび合成データと実際のデータに対して、形状の完成と不確実な領域の予測の各メソッドをテストします。
不確実性領域のセグメンテーションでは直接的な不確実性予測が断然最も正確ですが、どちらの新しい方法も形状の完成と不確実性領域の予測において 2 つのベースラインを上回っており、予測された不確実性領域を回避することでテストされたすべての方法の把握の品質が向上します。
ウェブ: https://github.com/DLR-RM/shape-completion

要約(オリジナル)

Shape completion, i.e., predicting the complete geometry of an object from a partial observation, is highly relevant for several downstream tasks, most notably robotic manipulation. When basing planning or prediction of real grasps on object shape reconstruction, an indication of severe geometric uncertainty is indispensable. In particular, there can be an irreducible uncertainty in extended regions about the presence of entire object parts when given ambiguous object views. To treat this important case, we propose two novel methods for predicting such uncertain regions as straightforward extensions of any method for predicting local spatial occupancy, one through postprocessing occupancy scores, the other through direct prediction of an uncertainty indicator. We compare these methods together with two known approaches to probabilistic shape completion. Moreover, we generate a dataset, derived from ShapeNet, of realistically rendered depth images of object views with ground-truth annotations for the uncertain regions. We train on this dataset and test each method in shape completion and prediction of uncertain regions for known and novel object instances and on synthetic and real data. While direct uncertainty prediction is by far the most accurate in the segmentation of uncertain regions, both novel methods outperform the two baselines in shape completion and uncertain region prediction, and avoiding the predicted uncertain regions increases the quality of grasps for all tested methods. Web: https://github.com/DLR-RM/shape-completion

arxiv情報

提供元, 利用サービス

arxiv.jp, Google