论文阅读笔记：Domain Randomization for Active Pose Estimation

摘要

本文主要提出一种基于域随机化的姿态估计方法。
通过训练神经网络，直接从环境的2D图像中预测机器人的姿态。关于提高基于域随机化的姿态估计的准确性，文章提出主动感知（active perception）方法：移动机器人以获得更好的姿态估计，在模拟环境中进行训练，用域随机化将其转化为现实。

介绍

本文为了提高基于域随机化的姿态估计的准确性，对环境进行一些已知的几何变换，如移动环境中的物体，移动机器人手臂或干扰物、改变相机角度等。同时提出主动姿态估计方法：从不同角度和不同位置看一个物体，从而获得更准确、更稳健的预测。

问题准备

假设有一个对象$x$和一些参考对象$y$的几何3D模型。$O_y$表示相对于$y$的坐标系，$P_x$表示坐标系$O_y$中$x$的6D姿态。已知环境$I$的图像，包括$x$和$y$，目标是从图像中估计$P_x$。

基于域随机化的姿态估计

Tobin等人提出了一种域随机化的方法来解决姿态估计问题(链接为：https://arxiv.org/abs/1703.06907)。文章里使用3D渲染软件来渲染具有$x$和$y$不同姿势的环境图像，以及随机纹理、照明条件、摄像机方法和相机参数等。设 D = { I 1 , P x 1 , . . . , I N , P x N } D=\{I^1,P_x^1,...,I^N,P_x^N\} D={ I1,