Multi-Object RANSAC: Efficient Plane Clustering Method in a Clutter

要約

本稿では、RGB-Dカメラを用いた乱雑なシーンに特化した新しい平面クラスタリング手法を提案し、ロボットの把持実験を通じてその有効性を検証する。
大規模な屋内構造物に焦点を当てた既存の手法とは異なり、私たちのアプローチであるマルチオブジェクト RANSAC は、さまざまなスケールの広範囲のオブジェクトを含む雑然とした環境に重点を置いています。
ディープ プレーン クラスタリング (DPC) モジュールでサブプレーンを生成し、後処理によって最終プレーンとマージすることでプレーン セグメンテーションを強化します。
DPC は、層を投票することによって点群を再配置し、RANSAC から生成された疑似ラベルを使用して自己教師ありの方法でトレーニングされたサブプレーン クラスターを作成します。
マルチオブジェクト RANSAC は、他の最近の RANSAC アプリケーションよりも優れたプレーン インスタンス セグメンテーション パフォーマンスを実証します。
ロボットの吸引ベースの掴みについて実験を行い、ビジョンベースの掴みネットワークおよびRANSACアプリケーションと私たちの方法を比較しました。
この現実世界のシナリオの結果は、ベースライン手法を上回る驚くべきパフォーマンスを示し、高度なシーンの理解と操作の可能性を強調しました。

要約(オリジナル)

In this paper, we propose a novel method for plane clustering specialized in cluttered scenes using an RGB-D camera and validate its effectiveness through robot grasping experiments. Unlike existing methods, which focus on large-scale indoor structures, our approach — Multi-Object RANSAC emphasizes cluttered environments that contain a wide range of objects with different scales. It enhances plane segmentation by generating subplanes in Deep Plane Clustering (DPC) module, which are then merged with the final planes by post-processing. DPC rearranges the point cloud by voting layers to make subplane clusters, trained in a self-supervised manner using pseudo-labels generated from RANSAC. Multi-Object RANSAC demonstrates superior plane instance segmentation performances over other recent RANSAC applications. We conducted an experiment on robot suction-based grasping, comparing our method with vision-based grasping network and RANSAC applications. The results from this real-world scenario showed its remarkable performance surpassing the baseline methods, highlighting its potential for advanced scene understanding and manipulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google