亚马逊采摘挑战赛APC:6D姿态估计的多视图自我监督深度学习6D Pose Estimation in the Amazon Picking Challenge—2017（笔记）

Multi-view Self-supervised Deep Learning for 6D Pose Estimation in the Amazon Picking Challenge—2017（笔记）

亚马逊采摘挑战赛（APC）中用于6D姿态估计的多视图自我监督深度学习

文章所提出的姿态估计方法，实际上属于简化的基于模板匹配的方法。利用CNN对多视图RGB-D图像点云进行分割，并将其与预扫描目标完成配准，最终得到估计姿态。同时为解决训练数据集生成和标记问题，文章引入了一种自监督的方法来生成大型标签数据集。

摘要

1. 本文提出了一种利用多视图RGB-D数据和自我监督，数据驱动的学习实现在杂乱环境，自闭塞，传感器噪声和各种各样的物体中可靠地识别和定位的方法。
2. 在提出的方法中，我们使用完全卷积的神经网络对场景的多个视图进行分割和标记，然后将预扫描的3D对象模型拟合到最终的分割中，以获得6D对象姿态。
3. 我们提出了一种自监督的方法来生成大型标签数据集，而无需进行繁琐的手动分割。我们证明了系统可以在各种情况下可靠地估计对象的6D姿态。所有代码，数据和基准均可在http://apc.cs.princeton.edu/获得。