Perspective-n-Point
PulseAugur coverage of Perspective-n-Point — every cluster mentioning Perspective-n-Point across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的GLO方法验证了自动位姿估计的鲁棒性
研究人员开发了一种新的方法来验证自动系统中位姿估计的鲁棒性，特别适用于导航和着陆等安全关键应用。研究发现，传统上用于分类任务的基于梯度的攻击启发式方法对于位姿估计无效。该研究提出使用全局Lipschitz优化（GLO）作为一种原则性的鲁棒验证方法，证明了其识别关键故障模式和显著缩小搜索空间的能力。这项工作将几何鲁棒性验证扩展到深度对象检测和连续关键点回归，旨在认证鲁棒的自动感知。
-
新框架通过故障检测增强了面向视觉的姿态估计
研究人员开发了一个新的面向视觉的姿态估计框架，增强了导航系统的完整性保证。这项工作通过引入保护级别，在存在未检测到的故障时也能提供姿态误差的概率界限，从而扩展了先前基于概率的计算机视觉管道。所提出的算法专门针对航空背景下的透视n点问题，计算飞机姿态所有六个自由度的保护级别，并分析测量冗余、像素级预测不确定性和跑道距离的影响。
-
新方法利用关键点自洽性检测姿态估计失败
研究人员开发了一种新颖的方法，通过分析预测关键点的自洽性来检测姿态估计中的失败。该方法利用手工制作的几何特征，如成对距离和重投影一致性，来识别可能对下游任务产生负面影响的不准确之处。与仅依赖关键点不确定性的现有基于置信度的方法相比，在这些特征上训练的逻辑回归模型表现出优越的性能。
-
神经形态处理器实现高能效物体姿态估计
研究人员开发了一种新颖的鲁棒透视n点（PnP）公式，可在神经形态处理器上执行，从而提高机器人感知中物体姿态估计的能效。该方法通过从易受离群值影响的2D-3D对应关系中确定具有最多内点的物体姿态。此外，还设计了一个脉冲神经网络（SNN）来从事件数据中预测2D地标，从而实现对物体姿态估计流程的更完整的神经形态处理。在Intel Loihi 2硬件上进行的测试证明了其具有竞争力的准确性和卓越的能效。
-
DreamSat-Pose 框架从单个图像估计航天器姿态
研究人员开发了 DreamSat-Pose，一个用于从单个图像估计未知航天器六自由度姿态的新框架。该系统首先重建目标的三维形状模型，然后使用学习到的 2D-3D 对应关系来确定其姿态。该方法利用 DINOv3 视觉 Transformer 进行图像特征提取，并利用图卷积神经网络进行几何特征提取，在 SPE3R 数据集上实现了 0.157 度的平均指向误差，优于 FoundationPose 基线。