Oszacowanie Postawy Obiektów w Robotyce za Pomocą Wielu Przykładów

**Czym jest Estymacja Pozycji Obiektu w Niewielkim Przykładzie?** Jest to nowoczesna technika w robotykach umożliwiająca robotom rozpoznawanie i lokalizowanie nowych obiektów na podstawie tylko kilku przykładów treningowych, znacznie zmniejszając potrzebę dużych zbiorów danych z etykietami.

Tradycyjna estymacja pozycji obiektu opiera się głównie na zbiorach danych treningowych zawierających setki lub tysiące zdjęć dla *każdego* konkretnego obiektu, którego rozpoznawanie jest zamierzone. Ten podejście, często wykorzystujące techniki takie jak Sieci Węzłowe Konwolucyjne (CNN) treningowe z uczeniem nadzorowanym, wymaga ogromnych ilości danych z etykietami – obrazów podlegających detaliowemu przypisaniu, gdzie są znane pozycja 3D i orientacja każdego wystąpienia obiektu. To jest niemal niezmiernie czasochłonne, drogie i często niewygodne dla zastosowań robotycznych w świecie rzeczywistym, gdzie obiekty mogą się różnić w wyglądzie, warunkach oświetlenia i punktach widzenia.

FoSE rozwiązuje to ograniczenie, umożliwiając robotom precyzyjne estymowanie pozie obiektu na podstawie *bardzo małych* przykładów treningowych (wybrzeżone są przypadki, w których wystarcza jedno do pięciu zdjęć). Tego ‘niewielkiego przykładowego’ podejścia inspirują nasze zdolności do uczenia się – możemy szybko rozpoznać nowy obiekt po spojrzeniu na niego tylko kilka razy, korzystając z doświadczeń poprzednich i naszej zdolności do generalizacji.

Kluczowe technologie wspierające FoSE obejmują techniki uczenia się metrycznego – które uczą mierników podobieństwa między pozycjami obiektu – oraz sieci siamezy, konkretny architekturę neuronowej zaprojektowanej do porównywania par obrazów i wyznaczania ich podobieństwa.