6d姿态估计综述

参考资料：
《Vision-based Robotic Grasping From Object Localization, Object Pose Estimation to Grasp Estimation for Parallel Grippers: A Review》

1.简介

1.1 6D位姿的含义

6D是指6个自由度，代表了3个自由度的位移(Translation)，以及3个自由度的空间旋转 (Rotation)，合起来就叫位姿 (Pose)。位姿是一个相对的概念，指的是两个坐标系之间的位移和旋转变换。

对于物体的6D位姿估计，通常用物体从世界坐标系到相机坐标系的RT变换：
$$T_c=R_{cm}\ast T_m+t_{cm}$$其中，$T_m$是物体再世界坐标系下的坐标，$T_c$是相机坐标系；$R_{cm}$是代表由世界坐标系到相机坐标系的旋转，$t_{cm}$代表位移。

1.2 方法划分

1.2.1 基于点对应的方法-2D

• 显示地寻找当前图像与模板图像之间的特征点对应。传统的特征包括SIFT、SURF、OBR等，深度特征例如LIFT、GLAMpoints、LCD等

• 隐式地回归3D坐标点在2D上的投影，代表方法BB8、YOLO6D、Segment-driven、DPOD、EPOS等。
  

1.2.2 基于点对应的方法-3D

PVNet3D、6-PACK

1.2.3 基于模板的方法-2D

1.2.4 基于模板的方法-3D

2. 常用数据集和评价指标

2.1 LineMod

2.2 YCB-Video

2.3 评价指标

Average Distance of Model Points（ADD）
$$e_{ADD}={\mathrm{avg}}_{x\in M}\Vert (Rx+T)-(\hat{R}x+\hat{T})\Vert .$$其中 $R$ 和 $T$ 是真实的旋转和平移，$\hat{R}$ 和 $\hat{T}$ 是预测的旋转和平移，$avg$是指计算均值。

ADD-S
给定真实的物姿$[R|T]$和预测的姿态$[\hat{R}|\hat{T}]$，ADD-S是指：从3D模型的每一个预测点到最近的真实点距离，然后求平均（对所有点）。

在LineMod数据集中，ADD用于评估非对称物体，ADD-S用于对称物体，通常设置的阈值为模型直径的10%。
在YCB-Video数据集中，用ADD-S小于2cm的物体所占的比例来评估。在不同阈值下绘制ADD-S曲线，计算曲线下方的面积作为AUC值。