基于物体点云6D位姿估计的深度学习方法

作者：李少飞; 史泽林; 庄春刚

来源：计算机工程, 2020, 1-8.

DOI：10.19678/j.issn.1000-3428.0058768

• 点云
• 位姿估计
• 物理仿真
• 特征融合
• 深度学习 point clouds
• pose estimation
• physical simulation
• feature fusion
• deep learning

物体的位姿估计是机器人在散乱环境中随机操作的关键技术之一。然而，目前大多数用于位姿估计的深度学习方法都严重地依赖场景的RGB信息，这限制了它们在低纹理场景和一些无法获取RGB信息的场景中的应用。提出基于原始点云对物体进行6D位姿估计的深度学习方法，能够仅依靠三维点云信息对散乱场景中的物体进行位姿估计。针对工业零件，在物理仿真环境下生成数据集，并通过一种三维到二维数据的映射方法，生成了点云的二维特征，最后使用特征融合的神经网络对物体进行6D位姿估计。经过仿真数据集和真实数据集的实验验证，相比于传统的点云位姿估计方法，该方法位姿估计的准确率更高，时间消耗更少，对疏密程度不一致的点云以及噪声都有较强...

• 单位
  上海交通大学