MaskVal: Simple but Effective Uncertainty Quantification for 6D Pose Estimation

要約

ロボット アプリケーションで 6D 姿勢推定を使用する場合、安全で信頼性が高く、予測可能な動作パフォーマンスを確保するには、信頼性の高い姿勢が最も重要です。
これらの要件にもかかわらず、最先端の 6D 姿勢推定器は姿勢推定の不確実性の定量化をまったく提供しないことが多く、あるいは提供されたとしても、提供される不確実性は実際の真の誤差と弱い相関しかないことが示されています。
。
この問題に対処するために、MaskVal と呼ばれる単純だが効果的な不確実性の定量化を調査します。これは、レンダリングによって姿勢推定値を対応するインスタンス セグメンテーションと比較し、姿勢推定器自体を変更する必要はありません。
そのシンプルさにも関わらず、MaskVal はデータセットとロボット設定の両方で最先端のアンサンブル手法を大幅に上回ります。
MaskVal を使用することにより、最先端の 6D 姿勢推定器のパフォーマンスが大幅に向上し、安全で信頼性の高い操作が可能になることを示します。
さらに、ロボット操作のコンテキストで 6D 姿勢推定のための不確実性定量化手法を比較および評価するための、新しく具体的なアプローチを提案します。

要約(オリジナル)

For the use of 6D pose estimation in robotic applications, reliable poses are of utmost importance to ensure a safe, reliable and predictable operational performance. Despite these requirements, state-of-the-art 6D pose estimators often do not provide any uncertainty quantification for their pose estimates at all, or if they do, it has been shown that the uncertainty provided is only weakly correlated with the actual true error. To address this issue, we investigate a simple but effective uncertainty quantification, that we call MaskVal, which compares the pose estimates with their corresponding instance segmentations by rendering and does not require any modification of the pose estimator itself. Despite its simplicity, MaskVal significantly outperforms a state-of-the-art ensemble method on both a dataset and a robotic setup. We show that by using MaskVal, the performance of a state-of-the-art 6D pose estimator is significantly improved towards a safe and reliable operation. In addition, we propose a new and specific approach to compare and evaluate uncertainty quantification methods for 6D pose estimation in the context of robotic manipulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google