6D Pose Estimation of Objects via Mask Registration: a Monte Carlo Simulation Approach

Abstract

Estimating the 6D poses of objects from images is an important problem in various application fields such as augmented reality, autonomous driving, and robotic manipulation. Although many 6D pose estimation frameworks have been proposed, performances are still not satisfactory in some scenes. In order to overcome poor performance, various algorithms to refine the estimated pose are also being studied. In this thesis, a novel 6D pose refinement framework is proposed. Given an estimated pose from an existing 6D pose estimation framework, the given pose is assumed to be a probability distribution containing uncertainty, and the pose is refined iteratively in the direction of decreasing the uncertainty. This is achieved by introducing the concept of similarity score and iteratively improving the pose in the direction of increasing the similarity score. The proposed framework does not require depth information from depth sensor as well as learning for deep neural network. Experiments on benchmark datasets for 6D pose estimation demonstrate that the proposed framework could achieve the significant improvement when compared with initial estimates.|카메라 영상으로부터 물체의 6D 포즈를 추정하는 것은 증강 현실, 자율 주행, 로봇 매니퓰레이션 등의 다양한 어플리케이션에서 매우 중요한 문제이다. 지금까지 많은 6D 포즈 추정 프레임워크들이 제안되었지만, 여전히 특정 장면에서는 성능이 크게 감소한다. 이러한 성능 감소를 극복하기 위해 추정된 포즈를 개선하는 프레임워크들도 많이 연구되고 있다. 본 논문에서는 6D 포즈 추정 프레임워크를 통해 추정된 포즈를 개선하는 새로운 프레임워크를 제안한다. 제안한 프레임워크에서는 6D 포즈가 주어지면 이를 불확실성이 포함된 확률 분포로 가정하고, 불확실성이 감소하는 방향으로 포즈를 반복적으로 개선한다. 이는 Similarity Score라는 개념을 도입하여, Similarity Score가 높아지는 방향으로 6D포즈를 반복적으로 개선함으로써 이루어진다. 제안한 프레임워크는 학습이 필요하지 않으며, 뎁스 정보를 사용하지 않기 때문에 추가적인 뎁스 센서가 필요하지 않다. 실험에서는 제안한 방법을 통해 성능이 크게 향상되는 결과를 보였다.