基于类别级先验重建的六维位姿估计方法

针对现有物体六维姿态估计方法难以泛化到真实场景、未知新物体的问题,文章提出了一种基于类别级先验重建的物体六维位姿估计方法,通过提取并融合输入物体与先验模板的三维特征,将先验模板由初始的局部坐标系变换到当前相机坐标系下,根据变换前后的点对匹配关系求得目标物体的六维位姿,通过这种方式能够使得模型更关注类别级共有信息、抑制对输入物体的特异性几何结构表征,对未知新物体具有更好的泛化能力。实验表明,当训练集仅包含合成数据时,该方法在真实数据上具有更好的性能。

基于深度三维模型表征的类别级六维位姿估计

类别级物体六维位姿估计在机器人操作、自动驾驶和增强现实等领域有着广泛的应用。相较于实例级任务,类别级六维位姿估计的难点主要在于类别先验特征基础上的类内差异。本文采用一种基于有向距离场(Signed Distance Field,SDF)的深度三维模型表征提取出类别级先验共享信息,同时依据输入深度图像的几何形状特征搜索最优的形状隐变量,两者结合重建出标准空间内的完整实例模型。通过学习深度点与标准化实例模型的点对匹配关系,即可求解出物体的六维位姿参数。实验证明本文提出的类别级六维位姿估计架构具有良好的性能和对类内新物体的泛化能力。