Multi-Object RANSAC: Efficient Plane Clustering Method in a Clutter

本文提出了一种新的方法，专门用于混乱场景下的平面聚类，利用RGB-D相机进行实现，并通过机器人抓取实验验证了其有效性。与现有方法不同，现有方法主要关注大型室内结构，而本文提出的方法——多目标RANSAC则专注于包含不同尺度物体的混乱环境。该方法通过在Deep Plane Clustering（DPC）模块中生成子平面来增强平面分割，然后通过后处理将其与最终平面合并。DPC通过投票层重新排列点云，以生成子平面聚类，并使用从RANSAC生成的伪标签进行自监督训练。多目标RANSAC表现出优于其他最近RANSAC应用的平面实例分割性能。我们进行了一个机器人吸盘式抓取实验，将我们的方法与基于视觉的抓取网络和RANSAC应用进行比较。这个真实场景的结果显示了它非凡的性能，超越了基准方法，突显了其在高级场景理解和操作方面的潜力。

本论文旨在提出一种专门针对杂乱场景的平面聚类方法，并通过机器人抓取实验验证其有效性。

Multi-Object RANSAC通过在Deep Plane Clustering（DPC）模块中生成子平面来增强平面分割，然后通过后处理将其与最终平面合并。DPC通过投票层来重新排列点云以形成子平面簇，这些簇是以自监督的方式训练的，使用从RANSAC生成的伪标签。Multi-Object RANSAC在平面实例分割性能方面表现优异。

论文通过机器人吸盘式抓取进行实验验证，并与基于视觉的抓取网络和RANSAC应用进行了比较，结果表明其性能显着优于基线方法，具有广泛的场景理解和操作潜力。

最近的相关研究包括：\n1. “A Review of Point Cloud Semantic Segmentation”\n2. “PlaneNet: Piece-wise Planar Reconstruction from a Single RGB Image”\n3. “Robust Plane Detection in Unstructured Outdoor Images”