【技术实现步骤摘要】
本专利技术涉及计算机视觉和物体姿态估计，尤其涉及一种基于多类物体动态关键点学习与渐进式优化的姿态估计方法。
技术介绍
1、近年来，机器人抓取作为机器人应用的核心功能，其可靠性高度依赖计算机视觉技术。基于深度学习的计算机视觉方法为机器人抓取检测提供了全新解决方案，使机器人能够通过视觉信息精准识别抓取目标。在视觉信息处理与抓取姿态生成这一关键环节，基于深度学习的技术展现出显著优势。尤其在六维物体位姿估计领域，通过rgb-d数据同步获取三维坐标与法向量，不仅能精确计算笛卡尔空间位置，更能预测绕轴旋转角度，为机械臂运动规划提供完整位姿参数矩阵，实现机器人抓取的精准控制。
2、在复杂现实场景中，为兼顾模型泛化性，当前位姿估计主要分为实例级与类级别两类。实例级位姿估计方法虽能凭借精细建模精准定位已知物体，却存在明显局限：基于对应的方法因高度依赖物体表面纹理特征，在处理无纹理或弱纹理对象时，2d-3d关键点匹配及3d-3d点云配准困难，致使估计精度大幅下降；基于模板的方法虽解决了纹理依赖问题，但需预先构建多视角标注模板库，计算复杂度高，难...
【技术保护点】
1.一种基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，所述步骤1包括以下子步骤：
3.根据权利要求1所述的基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，所述步骤2的ResNet-18作为PSPNet网络的主干网络的结构描述包括：
4.根据权利要求1和3所述的所述的基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，所述步骤2中获得RGB特征和点云特征的方法包括：
...
【技术特征摘要】
1.一种基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，所述步骤1包括以下子步骤：
3.根据权利要求1所述的基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，所述步骤2的resnet-18作为pspnet网络的主干网络的结构描述包括：
4.根据权利要求1和3所述的所述的基于多类物体动态关键点学习与渐进式优化的姿态估计方法，其特征在于，所述步骤2中获得rgb特征和点云特征的方法包括：
5.根据权利要求1所述的基于多类物...
【专利技术属性】
技术研发人员：张红，韩琦，李忠，翁腾飞，余玥川，田袁，易绍顺，蓝亚东，林毓辉，吴宇同，
申请(专利权)人：重庆科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。