CPPF: 야외 환경에서 견고한 카테고리 수준 9D 자세 추정을 위한 연구

본 논문에서는 단일 RGB-D 프레임을 주어졌을 때, 실제 환경에서의 카테고리 수준 9D 포즈 추정 문제를 다룹니다. 실제 세계의 9D 포즈에 대한 지도 데이터를 사용하는 것은 번거롭고 오류가 많으며, 새로운 상황으로 일반화하는 데에도 실패합니다. 또한, 카테고리 수준의 포즈 추정은 테스트 시점에서 미처 본 적 없는 객체들로 일반화할 수 있는 방법이 필요하며, 이는 매우 도전적인 과제입니다.전통적인 점 쌍 특징(Point Pair Features, PPF)에서 영감을 얻어, 본 논문에서는 정확하고 강건하며 일반화 가능한 실제 환경에서의 9D 포즈 추정을 달성하기 위해 새로운 카테고리 수준 PPF (Category-level PPF, CPPF) 투표 방법을 설계하였습니다. 강건한 포즈 추정을 얻기 위해 객체 위에 많은 점 쌍들을 샘플링하고, 각 쌍에 대해 모델은 객체 중심, 방향 및 크기에 대한 필요한 SE(3)-불변 투표 통계량을 예측합니다. 노이즈가 포함된 점 쌍 샘플들을 제거하고 최종 예측 값을 생성하기 위해 새로운 거칠기-세밀한(Gross-to-Fine) 투표 알고리즘이 제안되었습니다. 방향 투표 과정에서 발생하는 잘못된 긍정예측(False Positives)을 제거하기 위해 각 샘플링된 점 쌍에 대해 보조적인 이진 분류 작업이 도입되었습니다.실제 환경에서 객체를 감지하기 위해서는 합성 점 구름으로만 훈련시키는 우리의 시뮬레이션-실제(Sim-to-Real) 파이프라인을 세심하게 설계하였습니다. 그러나 기하학적으로 애매한 포즈를 가진 객체들의 경우, 색상 정보를 활용하여 이러한 포즈들을 명확히 구분하였습니다. 표준 벤치마크에서의 결과는 우리의 방법이 실제 세계 데이터로 훈련된 현재 최신 기술들과 동등한 성능을 보임을 입증하였습니다. 광범위한 실험들은 또한 우리의 방법이 노이즈에 강건하며 극도로 어려운 상황에서도 유망한 결과를 제공함을 보여주었습니다. 우리의 코드는 https://github.com/qq456cvb/CPPF 에서 확인할 수 있습니다.