High-Precision Multi-Instance Registration for Stacked Objects in Bin-Picking Scenes

doi:10.1109/TCSVT.2026.3662392

High-Precision Multi-Instance Registration for Stacked Objects in Bin-Picking Scenes

2026-02-09

0

PRE

AI

DOI：10.1109/TCSVT.2026.3662392

原文链接

原文求助

摘要

En 中文

在工业拾取任务中，机器人系统必须估计多个物体实例的姿态，其中准确的姿态估计对于可靠的下游操作和抓取至关重要。大多数现有的多实例配准方法主要基于局部特征建立点对应关系，以缓解遮挡和杂乱环境带来的挑战。然而，局部特征容易受到邻近实例的干扰，且缺乏全局上下文，导致对应关系不可靠和配准精度下降。此外，缺乏旋转不变性进一步降低了在堆叠实例和高变物体方向场景中的对应精度。为解决这些挑战，我们提出了一种针对堆叠物体场景的一阶段多实例点云配准框架。我们的框架引入了旋转不变算子，以增强任意方向下特征表示的鲁棒性。然后，我们提出了一种中心感知残差掩码Transformer模块，该模块整合了物体中心嵌入以丰富全局实例级上下文，并通过中心感知残差掩码预测模块在训练期间平衡不同大小物体的权重分布。在具有挑战性的ROBI数据集上的大量实验表明，我们的方法在平均精度上比竞争基准MIRETR高出10%以上，突显了其在复杂拾取场景中的有效性。此外，在未堆叠的Scan2CAD数据集上的评估证实了所提出框架在不同应用场景中的泛化能力。

Keyword:

Multi-instance registration

rotation-invariant features

bin-picking scenes

registration precision

High-Precision Multi-Instance Registration for Stacked Objects in Bin-Picking Scenes

摘要

期刊

机构

引用论文