机械臂6D姿态检测（RGB、RGBD、雷达）综述

1、单目：

（1）GDR-Net: Geometry-Guided Direct Regression Network for Monocular 6D Object Pose Estimation （GDR-Net：用于单目6D物体姿态估计的几何引导直接回归网络）

（2）Self-supervised 6D Object Pose Estimation for Robot Manipulation（机器人操纵的自监督6D物体姿态估计）

（3）Region Pixel Voting Network (RPVNet) for 6D Pose Estimation from Monocular Image（单目图像6D姿态估计的区域像素投票网络RPVNet）

（4）End-to-End 6DoF Pose Estimation From Monocular RGB Images（单目RGB图像的端到端6DoF姿态估计）

（5）Self6D: Self-Supervised Monocular 6D Object Pose Estimation（Self6D：自监督单眼6D物体姿态估计）

（6）Occlusion-Aware Self-Supervised Monocular 6D Object Pose Estimation（遮挡感知自监督单眼6D物体姿态估计）

（7）CPS++: Improving Class-level 6D Pose and Shape Estimation From Monocular Images With Self-Supervised Learning （CPS++：利用自监督学习改进单目图像的类级6D姿态和形状估计）

2、RGBD：

（1）Robust 6D Object Pose Estimation by Learning RGB-D Features（基于RGB-D特征的鲁棒6D目标姿态估计）

（2）DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion （DenseFusion：基于迭代密集融合的6D目标姿态估计）

（3）Texture-less object detection and 6D pose estimation in RGB-D images （RGB-D图像中的无纹理目标检测和6D姿态估计）

（4）Multi-view 6D Object Pose Estimation and Camera Motion Planning using RGBD Images（使用RGBD图像的多视图6D对象姿态估计和相机运动规划）

（5）Learning 6D Pose Estimation from Synthetic RGBD Images for Robotic Applications（用于机器人应用的合成RGBD图像学习6D姿态估计）

3、红外热成像：

（1）Semantic Segmentation for Thermal Images: A Comparative Survey（热图像语义分割的比较研究）

（2）A Generative Adversarial Network for Infrared and Visible Image Fusion Based on Semantic Segmentation（基于语义分割的红外可见图像融合生成对抗网络）

（3）ARTSeg: Employing Attention for Thermal images Semantic Segmentation（ARTSeg：关注热图像语义分割）

（4）MS-UDA: Multi-Spectral Unsupervised Domain Adaptation for Thermal Image Semantic Segmentation（MS-UDA：用于热图像语义分割的多光谱无监督域自适应）

4、激光雷达：

（1）ECPC-ICP: A 6D Vehicle Pose Estimation Method by Fusing the Roadside Lidar Point Cloud and Road Feature（ECPC-ICP：一种融合路边激光雷达点云和道路特征的6D车辆姿态估计方法）

（2）PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud（PointRCNN：从点云生成和检测3D对象建议）

 （3）PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection（PV-RCNN：用于3D对象检测的点体素特征集抽象）

（4）PointPillars: Fast Encoders for Object Detection from Point Clouds（PointPillars:用于点云目标检测的快速编码器）

5、混合：

（1）CL3D: Camera-LiDAR 3D Object Detection With Point Feature Enhancement and Point-Guided Fusion（CL3D：具有点特征增强和点引导融合的摄像机LiDAR 3D目标检测）

（2）CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection（CLOC：用于3D目标检测的摄像机LiDAR目标候选融合）

（3）CramNet: Camera-Radar Fusion with Ray-Constrained Cross-Attention for Robust 3D Object Detection（CramNet:基于光线约束交叉关注的相机-雷达融合用于鲁棒三维目标检测）

---

1、单目：

（1）GDR-Net: Geometry-Guided Direct Regression Network for Monocular 6D Object Pose Estimation （GDR-Net：用于单目6D物体姿态估计的几何引导直接回归网络）

https://openaccess.thecvf.com/content/CVPR2021/papers/Wang_GDR-Net_Geometry-Guided_Direct_Regression_Network_for_Monocular_6D_Object_Pose_CVPR_2021_paper.pdf

（2）Self-supervised 6D Object Pose Estimation for Robot Manipulation（机器人操纵的自监督6D物体姿态估计）

https://arxiv.org/pdf/1909.10159.pdf

（3）Region Pixel Voting Network (RPVNet) for 6D Pose Estimation from Monocular Image（单目图像6D姿态估计的区域像素投票网络RPVNet）

Region Pixel Voting Network (RPVNet) for 6D Pose Estimation from Monocular Image

（4）End-to-End 6DoF Pose Estimation From Monocular RGB Images（单目RGB图像的端到端6DoF姿态估计）

End-to-End 6DoF Pose Estimation From Monocular RGB Images | IEEE Journals & Magazine | IEEE Xplore

（5）Self6D: Self-Supervised Monocular 6D Object Pose Estimation（Self6D：自监督单眼6D物体姿态估计）

https://arxiv.org/pdf/2004.06468.pdf

（6）Occlusion-Aware Self-Supervised Monocular 6D Object Pose Estimation（遮挡感知自监督单眼6D物体姿态估计）

https://arxiv.org/pdf/2203.10339.pdf

（7）CPS++: Improving Class-level 6D Pose and Shape Estimation From Monocular Images With Self-Supervised Learning （CPS++：利用自监督学习改进单目图像的类级6D姿态和形状估计）

https://arxiv.org/pdf/2003.05848.pdf

2、RGBD：

（1）Robust 6D Object Pose Estimation by Learning RGB-D Features（基于RGB-D特征的鲁棒6D目标姿态估计）

https://arxiv.org/pdf/2003.00188.pdf

（2）DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion （DenseFusion：基于迭代密集融合的6D目标姿态估计）

https://openaccess.thecvf.com/content_CVPR_2019/papers/Wang_DenseFusion_6D_Object_Pose_Estimation_by_Iterative_Dense_Fusion_CVPR_2019_paper.pdf

（3）Texture-less object detection and 6D pose estimation in RGB-D images （RGB-D图像中的无纹理目标检测和6D姿态估计）

https://www.sciencedirect.com/science/article/abs/pii/S0921889016308442

直接查看链接：Sci-Hub | Texture-less object detection and 6D pose estimation in RGB-D images | 10.1016/j.robot.2017.06.003

（4）Multi-view 6D Object Pose Estimation and Camera Motion Planning using RGBD Images（使用RGBD图像的多视图6D对象姿态估计和相机运动规划）

https://openaccess.thecvf.com/content_ICCV_2017_workshops/papers/w31/Sock_Multi-View_6D_Object_ICCV_2017_paper.pdf

（5）Learning 6D Pose Estimation from Synthetic RGBD Images for Robotic Applications（用于机器人应用的合成RGBD图像学习6D姿态估计）

https://arxiv.org/pdf/2208.14288.pdf

3、红外热成像：

（1）Semantic Segmentation for Thermal Images: A Comparative Survey（热图像语义分割的比较研究）

https://openaccess.thecvf.com/content/CVPR2022W/PBVS/papers/Kutuk_Semantic_Segmentation_for_Thermal_Images_A_Comparative_Survey_CVPRW_2022_paper.pdf

（2）A Generative Adversarial Network for Infrared and Visible Image Fusion Based on Semantic Segmentation（基于语义分割的红外可见图像融合生成对抗网络）

Entropy | Free Full-Text | A Generative Adversarial Network for Infrared and Visible Image Fusion Based on Semantic Segmentation

（3）ARTSeg: Employing Attention for Thermal images Semantic Segmentation（ARTSeg：关注热图像语义分割）

https://arxiv.org/pdf/2111.15257.pdf

（4）MS-UDA: Multi-Spectral Unsupervised Domain Adaptation for Thermal Image Semantic Segmentation（MS-UDA：用于热图像语义分割的多光谱无监督域自适应）

MS-UDA: Multi-Spectral Unsupervised Domain Adaptation for Thermal Image Semantic Segmentation | IEEE Journals & Magazine | IEEE Xplore

4、激光雷达：

（1）ECPC-ICP: A 6D Vehicle Pose Estimation Method by Fusing the Roadside Lidar Point Cloud and Road Feature（ECPC-ICP：一种融合路边激光雷达点云和道路特征的6D车辆姿态估计方法）

Sensors | Free Full-Text | ECPC-ICP: A 6D Vehicle Pose Estimation Method by Fusing the Roadside Lidar Point Cloud and Road Feature

（2）PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud（PointRCNN：从点云生成和检测3D对象建议）

https://openaccess.thecvf.com/content_CVPR_2019/papers/Shi_PointRCNN_3D_Object_Proposal_Generation_and_Detection_From_Point_Cloud_CVPR_2019_paper.pdf

 （3）PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection（PV-RCNN：用于3D对象检测的点体素特征集抽象）

https://openaccess.thecvf.com/content_CVPR_2020/papers/Shi_PV-RCNN_Point-Voxel_Feature_Set_Abstraction_for_3D_Object_Detection_CVPR_2020_paper.pdf

（4）PointPillars: Fast Encoders for Object Detection from Point Clouds（PointPillars:用于点云目标检测的快速编码器）

https://openaccess.thecvf.com/content_CVPR_2019/papers/Lang_PointPillars_Fast_Encoders_for_Object_Detection_From_Point_Clouds_CVPR_2019_paper.pdf

5、混合：

（1）CL3D: Camera-LiDAR 3D Object Detection With Point Feature Enhancement and Point-Guided Fusion（CL3D：具有点特征增强和点引导融合的摄像机LiDAR 3D目标检测）

https://eprints.gla.ac.uk/266475/2/266475.pdf

（2）CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection（CLOC：用于3D目标检测的摄像机LiDAR目标候选融合）

https://arxiv.org/pdf/2009.00784.pdf

（3）CramNet: Camera-Radar Fusion with Ray-Constrained Cross-Attention for Robust 3D Object Detection（CramNet:基于光线约束交叉关注的相机-雷达融合用于鲁棒三维目标检测）

https://arxiv.org/pdf/2210.09267.pdf