1、物体6D位姿:
旋转坐标3个
平移坐标3个
2、论文的创新点:
(1)将RGB值和点云图逐像素进行嵌套融合——提高系统鲁棒性;
(2) 提出在端对端的学习框架中进行迭代提取姿态的方法;——提高实时速度;
(3)在神经网络结构框架中将迭代精确提出程序进行一体化;——移除对ICP步骤后处理的以前方法的依赖;
![2095e191ee0891cfeb908438d8174121.png](https://i-blog.csdnimg.cn/blog_migrate/cc121fb4231747a129d4f5ebda7a98ba.jpeg)
3、论文的实验(方法+对象):
利用机器人的抓取来验证算法设计的实用性。
(1)将分割的深度像素转换为3D点云,然后使用PointNet-like结构提取特征,彩色图片嵌入,实现3D点云特征与图像特征相匹配;
(2)将3D点云特征与图像特征相融合,方法就是利用局部像素融合,可以避免遮挡和环境噪声的影响;
(3)确定物体6D位姿,利用损失函数,对于不对称和对称物体使用不同的损失函数,然后对预测结果进行优化,引入像素置信度,最终的估计结果是具有最高像素置信度的那个判断;
(4)利用神经网络进行迭代细化提取,训练神经网络,将原来预测的位姿作为估计的原始框架,将输入的点云图转化为这个估计的原始框架,输入网络,并且基于原来估计的位姿预测位姿残差,不断迭代循环生成更好的预测结果。但是一定要使主网络收敛后再训练,否则不能进行有效的学习。
4、论文的实验结果:
(1)物体准确分割是实现准确抓取的前提,通过比较可以看出论文的方法对于物体分割更加准确。
![c437e0e7e43a35aade4a62c06c6f8dcb.png](https://i-blog.csdnimg.cn/blog_migrate/8038c0777ee347e6a24cd3f79f975975.jpeg)
(2)对物体进行遮挡性试验,即使遮挡面积很大,识别效率仍很高;
![944e50ad8d48b06a2c03ecc78fd809a5.png](https://i-blog.csdnimg.cn/blog_migrate/e87be8c45a9cce53d3b17a64c5a9822a.jpeg)
(3)迭代细化处理,迭代次数越高,识别准确度越高;
![f2de3b533cf8de21c8c57b22c64444d0.png](https://i-blog.csdnimg.cn/blog_migrate/9a270d677c08e7f6cffe5dc0875aa8f8.jpeg)
(4)算法设计的鲁棒性验证:
随意摆放桌子上的5个物品,让机器人进行抓取。