基于对称感知的六自由度物体姿态估计方法及系统技术方案

本发明专利技术提供了一种基于对称感知的六自由度物体姿态估计方法及系统，适用于对称物体，方法包括：使用预设的实例分割算法分割RGBD数据中的待估计物体；输入到预设的神经网络，预测物体的姿态；使用物体对称感知算法作为损失函数进行损失计算，并反向训练神经网络、其中，物体对称感知算法是具有对称感知的对称不变性姿态距离度量，利用旋转对称的方式找出具有相同姿态表征的表达，并基于待估计物体的对称特性作为损失代价计算。本发明专利技术的方案针对对称物体的旋转多义性问题,提出的对称感知表达算法可以准确估计对称物体的姿态，有效消除对称物体的局部最优情况，引导神经网络进入正确的状态，使得网络学习到正确的参数。使得网络学习到正确的参数。使得网络学习到正确的参数。

【技术实现步骤摘要】
基于对称感知的六自由度物体姿态估计方法及系统


[0001]本专利技术涉及6D姿态估计领域，具体而言，涉及一种基于对称感知的六自由度物体姿态估计方法及系统。

技术介绍

[0002]6D姿态估计的目的是在场景中检测出目标，并估计目标相对参考坐标系(canonical frame)的旋转和平移。高效精确的6D姿态估计是实时交互应用的关键技术，比如增强现实、自动驾驶、机器人应用等。
[0003]由于现实场景存在光照变化、数据噪声、遮挡残缺等情况，所以设计鲁棒的姿态估计算法是很具有挑战性的。近几年得益于深度学习强大的特征提取和拟合能力，基于数据驱动的姿态估计算法表现出极好的性能。现有的基于深度学习的姿态估计算法按照使用的输入数据，可以分为基于2D 图像的方法、基于3D点云的方法和基于2D图像
‑
3D点云的方法。
[0004]基于2D图像的6D位姿估计方法，通过CNN提取2D纹理特征来进行姿态回归，因为2D图像缺少深度信息，所以这类算法很难获得精确的估计结果，也很难处理弱纹理或者无纹理物体。基于3D点云的方法，特征提取一般本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对称感知的六自由度物体姿态估计方法，其特征在于，适用于对称物体，方法包括如下步骤：获取RGBD数据，使用预设的实例分割算法分割所述RGBD数据中的待估计物体，所述待估计物体为对称物体；将分割好的RGBD数据输入到预设的神经网络，预测每个待估计物体的六自由度姿态，得到第一姿态；使用预设的物体对称感知算法作为损失函数，对所述第一姿态进行损失计算得到损失值，并基于所述损失值反向训练所述神经网络；其中，所述物体对称感知算法是具有对称感知的对称不变性姿态距离度量，利用旋转对称的方式找出具有相同姿态表征的表达，并基于待估计物体的对称特性作为损失代价计算，以消除所述神经网络的局部最优点。2.根据权利要求1所述的六自由度物体姿态估计方法，其特征在于，所述物体对称感知算法通过预设的基元来表达待估计物体，并通过组合基元消除所述神经网络的局部最优点；所述基元包括待估计物体的中心点和对称轴端点；所述组合基元由所述基元组合得到。3.根据权利要求2所述的六自由度物体姿态估计方法，其特征在于，所述基元的获取过程包括：获取待估计物体的3D模型；使用预设的距离度量算法和聚类算法获取所述待估计物体的所有对称轴；将待估计物体的中心点和对称轴端点作为基元，其中，所述对称轴端点为3D模型中、所述对称轴与待估计物体的交点。4.根据权利要求3所述的六自由度物体姿态估计方法，其特征在于，所述组合基元的获取过程包括：若某个基元在围绕待估计物体的某个对称轴旋转预设角度后，能够与另一个基元重合，则将该基元与另一个基元分为一组；将所有基元进行分组后，得到组合基元，以表达待估计物体的旋转多义性。5.根据权利要求2所述的六自由度物体姿态估计方法，其特征在于，所述物体对称感知算法将对称物体分为五类，具体分类规则如下：设|A
o
|为对称物体所有对称轴的集合的模，且|A
o
|为2的倍数；其中，|AC
o
|为|A
o
|的子集，根据|A
o
|以及|AC
o
|的数量分布将对称物体具体划分为：第一类对称物体，|A
o
|＝2，且|AC
o
|＝2；第二类对称物体，|A
o
|＝2，且|AC
o
|＝0；第三类对称物体，|A
o
|＞2，且|AC
o
|＞0；第四类对称物体，|A
o
|＞2，且|AC
o
|＝2；第五类对称物体，|A
o
|＞2，且|AC
o
|＝0。6.根据权利要求5所述的六自由度物体姿态估计方法，其特征在于，在所述第二类对称物体中，若拥有两个离散的对称轴，且选取其中任意一个作为约束不能完全约束整个对称物体，则设置辅助轴来进行辅助约束对称物体，所述辅助轴垂直于其中任意一个对称轴。

【专利技术属性】
技术研发人员：陈世峰，甘万水，莫柠锴，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：