物体抓取位姿估計算法綜述_阅读笔记：李飞飞团队的2019CVPR的物体6D位姿估计论文...

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；

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。

（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；

（3）迭代细化处理，迭代次数越高，识别准确度越高；

（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。