面向目标6D姿态追踪的复用预测网络

为提高目标6D姿态追踪网络的收敛能力和追踪精度,提出一种基于少量数据驱动的目标6D姿态追踪复用预测网络。以当前时刻的彩色及深度(red green blue and depth,RGB-D)图像和上一时刻的目标渲染值作为输入,通过2个独立的特征编码器提取特征矩阵,在特征编码器中引入通道注意力机制模块,保证有选择性地调整通道信息的权重;构建复用预测网络模块,将特征矩阵解耦得到旋转矩阵,通过旋转矩阵前向传播与特征矩阵融合,将融合的结果再次解耦得到物体6D姿态的旋转矩阵与平移矩阵,并采用李代数方法通过2个矩阵计算出目标的6D姿态。实验结果表明:在使用少量数据训练网络模型的情况下,与MaskFusion、“TEASER++”和se(3)-Tracknet等方法相比,所提方法能够提高目标6D姿态追踪的准确率。

应用于姿态追踪的视觉无人机的开发

由于智能制造行业的发展需求,无人机的用途在无限扩大,同时也对无人机自主导航提出了极高的要求,以减少人为操作的干预。实现无人机姿态追踪功能是无人机自主导航的重要途径,而实现良好的无人机姿态追踪,不仅仅需要建立出色的姿态追踪算法,还要有恰当的无人机机械结构以及传感器设计阵列。现设计一种能应用于姿态追踪的视觉无人机,使其具有更轻便的结构与合适的传感器组合阵列。

基于合成数据的刚体姿态实时估计网络

现有刚体姿态估计存在数据稀缺、复杂场景下的低鲁棒性及低实时性等问题,为此提出一种基于合成数据的刚体目标位姿追踪网络结构;采用时空间特征融合技术,捕捉时间与空间特征信息,生成具有时空敏感的特征图;利用残差连接学习更为丰富和抽象的优质特征,改善追踪目标的准确性;对稀缺数据进行数据增强,生成符合现实物理特性的复杂合成数据,以此训练深度学习模型,提高模型的泛化性;在YCB-Video数据集中选取7个物体进行实时姿态追踪实验,结果表明,提出的方法相较于同类相关方法,在复杂场景下对刚体姿态估计的更为准确,在实时估计效率上表现最优。