Objektposenschätzung

Damit ein Roboter einen Gegenstand greifen kann, ist es meist notwendig die genaue Lage des Objektes zu kennen. Dies kann sowohl über klassische Verfahren als auch über Deep-Learning-Verfahren erreicht werden. Ziel dieses Hauptseminars ist es den Stand der Technik für die Objektposenschätzung aufzuarbeiten und vorzustellen. Der Fokus sollte dabei auf Verfahren liegen, bei denen zuvor kein Objektmodell benötig wird, sodass auch die Lage von unbekannten Objekten geschätzt werden kann.

Aufgabenstellung:

• Aufarbeitung des State-of-the-Art zum Themenfeld anhand der zur Verfügung gestellten Veröffentlichungen
• Vorstellung des/der Verfahren(s) im Rahmen einer Abschlusspräsentation

Ergebnisse

• PDF Übersicht diente der Vorarbeit und Details
• Präsentation
• SotA Objektposen Vergleich

Quellen und Literatur

• 6-DOF Grasping for Target-driven Object Manipulation in Clutter by Adithyavairavan Murali and Arsalan Mousavian and Clemens Eppner and Chris Paxton and Dieter Fox
• 6-PACK: Category-level 6D Pose Tracker with Anchor-Based Keypoints by Chen Wang and Roberto Martín-Martín and Danfei Xu and Jun Lv and Cewu Lu and Li Fei-Fei and Silvio Savarese and Yuke Zhu
• BundleTrack: 6D Pose Tracking for Novel Objects without Instance or Category-Level 3D Models by Bowen Wen and Kostas Bekris
• Category-Level Metric Scale Object Shape and Pose Estimation by Taeyeop Lee and Byeong-Uk Lee and Myungchul Kim and I.S Kweon
• Category Level Object Pose Estimation via Neural Analysis-by-Synthesis by Xu Chen and Zijian Dong and Jie Song and Andreas Geiger and Otmar Hilliges
• DeepIM: Deep Iterative Matching for 6D Pose Estimation by Yi Li and Gu Wang and Xiangyang Ji and Yu Xiang and Dieter Fox
• Depth-based object tracking using a Robust Gaussian Filter by Jan Issac and Manuel Wuthrich and Cristina Cifuentes and Jeanette Bohg and Sebastian Trimpe and Stefan Schaal
• MaskFusion: Real-Time Recognition, Tracking and Reconstruction of Multiple Moving Objects by Martin Rünz and Maud Buffier and Lourdes Agapito
• Normalized Object Coordinate Space for Category-Level 6D Object Pose and Size Estimation by He Wang and Srinath Sridhar and Jingwei Huang and Julien Valentin and Shuran Song and Leonidas J. Guibas
• PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes by Yu Xiang and Tanner Schmidt and Venkatraman Narayanan and Dieter Fox