PoET: 1視点複数対象6次元姿勢推定のためのPose Estimation Transformer

6次元（6D）オブジェクト姿勢推定は、把持やローカライゼーションなど、多様なロボット応用において重要なタスクである。オブジェクトの対称性、混雑、隠蔽（オクルージョン）などの要因により、このタスクは困難であるが、深度情報や3Dモデルといった追加情報が提供されない場合、さらに難易度が高くなる。本研究では、RGB画像を入力として、画像内の各オブジェクトに対して6D姿勢を予測するトランスフォーマーに基づくアプローチを提案する。本手法は画像以外に、深度マップや3Dオブジェクトモデルといった追加情報の必要がない。まず、画像をオブジェクト検出器に通して特徴マップを生成し、オブジェクトを検出する。次に、検出されたバウンディングボックスを追加情報として用いて、特徴マップをトランスフォーマーに供給する。その後、出力されたオブジェクトクエリは、独立した並進（translation）と回転（rotation）ヘッドによって処理される。本手法は、挑戦的なYCB-Vデータセットにおいて、RGBのみを用いるアプローチで最先端の性能を達成した。また、得られたモデルが6自由度（6-DoF）状態推定タスクにおける姿勢センサーとして有効であることを示した。コードは、https://github.com/aau-cns/poet にて公開されている。