1. 引言

六自由度(6DoF)姿态估计，是估计相机坐标系下物体的6DoF姿态，即三维位置和三维旋转。6DoF姿态估计的意义在于能够获得物体的准确姿态，支撑对物体的精细化操作，主要应用于机器人抓取领域和增强现实领域 [1]。在机器人抓取领域中，主流的方法是估计已知物体的6DoF姿态，进而获得末端执行器的目标6DoF抓取姿态。在增强现实领域中，可以在物体上叠加虚拟元素，随着相机的移动，物体的相对姿态保持不变。随着SLAM等技术的成熟，机器人已经能够在空间中进行很好的定位，但如果想要和环境中的物体进行交互操作，物体的6DoF姿态估计是必不可少的技术。然而，对于复杂环境下的场景下，往往会存在无纹理物体或遮挡的情况，算法的鲁棒性不足，极大地限制了机器人的灵活性。因此，本文提出了一种通过像素级XYZ坐标映射的实时6DoF姿态估计方法，有效地处理无纹理物体和遮挡的杂乱场景，在不影响精度的基础下，还保证了算法的鲁棒性和实时性。

2. 相关工作

与传统的目标检测任务不同，6DoF姿态估计需要估计出物体的三维位置和三维旋转。现有基于特征点 [2] 或模板 [3] 的方法，通过匹配点对特征或检索类似的模板图像来解决物体6DoF姿态的问题。诸如此类的传统方法实现了在固定场景下物体的6DoF姿态估计，广泛应用于工业中，但在处理杂乱的场景时，它们暴露了精度不足、鲁棒性差等问题。

随着深度学习和大数据的兴起，学术界出现了一些新的基于深度学习的方法。Xiang等人 [4] 首次提出了通过卷积神经网络估计6DoF姿态的PoseCNN。受YOLO网络的启发，Tekin等人 [5] 直接预测物体的三维边界框的投影顶点，然后通过Perspective-n-Point (PnP)算法进行6DoF姿态估计。然而，对于杂乱场景中的无纹理和被遮挡的物体，这些方法的效果并不好。Peng等人 [6] 引入了有向单元向量来解决遮挡物体的6DoF姿态问题，提出了PVNet网络架构，但在T-LESS数据集上仍然显示出精度不足的缺点。为了解决无纹理物体的姿态估计问题，出现了基于坐标和自动编码器的方法。Zakharov等人 [7] 通过PnP和RANSAC计算，估计了输入图像和现有三维模型之间密集的多类2D-3D对应图。Sundermeyer等人 [8] 提出了由潜在空间中的样本定义物体姿态的隐式表示，他们在合成数据上训练了该模型，并将其泛化到现实图像上。然而，这些方法在遇到姿态歧义时也暴露出鲁棒性不足的问题。

另一个基本问题是，6DoF姿态的有效性依赖于其预置的2D目标检测器的准确性。许多方法 [4] [5] [6] 将2D目标检测器和6DoF姿态估计模块作为一个整体来训练网络，但由于任务不同，姿态估计网络通常不能很好地收敛。现有的方法 [7] [8] 将其解耦成两个独立的模块，训练时互不干扰，取得了很好的性能。然而，由于2D目标检测器存在检测误差，6DoF姿态网络对目标检测结果依旧非常敏感。

为了解决上述问题，我们提出了一个全新的网络框架，用于物体，6DoF姿态估计，在单一RGB图像中进行像素级XYZ坐标映射。本文的主要贡献包括以下三个方面：

· 我们提出了一个简洁的网络结构和联合的坐标–置信度损失(Coordinates-Confidence Loss, CC Loss)函数，基于高质量逼真的合成数据进行训练，以有效地处理杂乱场景中的无纹理物体和被遮挡的情况。

· 考虑到2D目标检测器的误差，我们引入了一种动态缩放(Dynamic Scaling, DS)策略，对检测结果进行参数化的调整。

· 与现有的方法基线相比，我们的方法在Occlusion LINEMOD和T-LESS数据集的准确性和实时性方面表现得更好。

本文的其余部分组织如下。第3节描述了所提议的方法。第4节展示了实验结果。第5节给出了本文的结论。

3. 所提议的方法

3.1. 数据获取

深度学习是一种数据驱动的技术，因此大量具有准确注释的数据是非常重要的。6DoF数据集与传统视觉任务不同，6DoF姿态直观表示为3D矩形框的关键点，这在真实世界中不容易被注释。此外，采集数据时，物体的姿态往往不能覆盖整个球体，这会导致数据不全、部分姿态难以估计的问题。随着Blender和虚幻4引擎的广泛应用，许多方法开始使用合成图像，这些图像通常是通过在随机背景上渲染三维物体模型获得的。因此，我们也在BlenderProc [9] (三维轻量级渲染工具)中构建了我们的数据集，以获得合成训练样本(见图1)。我们提供了5万张带有6DoF姿态注释的高逼真度合成图像，具体统计信息见表1。

3.2. 网络架构

在本文中，我们提出了一种用于物体6DoF姿势估计的全新CNN网络架构，如图2所示。具体来说，该网络由2D目标检测模块和6DoF姿态估计模块组成。2D目标检测模块用于定位物体的2D位置，而6DoF姿态估计模块逐像素学习XYZ的坐标映射，最后通过RANSAC/PnP算法得出6DoF姿态。它主要分为三个阶段：1) 给定一张RGB图像，我们采用FCOS与VoVNet高效骨干网络提取特征图，然后将检测到的2D边界框动态缩放为256 × 256大小的统一裁切图像，2)裁切后的图像流入ResNet网络，通过预训练模型获得高级特征图。物体的XYZ坐标图和置信度图由编码器–解码器结构预测，该结构是一个完全卷积网络。

3.3. 坐标映射

为了获得物体的XYZ坐标图，我们的方法执行了两项任务：2D目标检测和6DoF姿态估计。对于2D目标检测，给定一张输入RGB图像，我们通过所提议网络进行前向传播，获得分类分数 $p_{x,y}$和对每个位置的特征图 $F_i$进行回归预测 $t_{x,y}$。我们定义训练损失函数如公式(1)：

${\mathcal{l}}_{\text{det}}=\frac{1}{N_{pos}}{\displaystyle \underset{x,y}{\sum }{\mathcal{l}}_{\text{cls}}\left(p_{x,y},c_{x,y}^{\ast }\right)}+\frac{\lambda }{N_{pos}}{\displaystyle \underset{x,y}{\sum }{\mathbb{I}}_{\left\{c_{x,y}^{\ast }>0\right\}}{\mathcal{l}}_{\text{reg}}\left(t_{x,y},t_{x,y}^{\ast }\right)}$(1)

其中， ${\mathcal{l}}_{\text{cls}}$是Focal损失函数， ${\mathcal{l}}_{\text{reg}}$是UnitBox中的IoU损失函数， $N_{pos}$为正样本的数量， $\lambda$是 ${\mathcal{l}}_{\text{reg}}$的权重参数， $\mathbb{I}$为指示函数。

对于6DoF姿态估计，我们直接预测每个物体像素的空间坐标。此外，该网络还给出了置信度预测，以表明该像素是否属于该物体。具体来说，我们以ResNet为骨干网络，从目标区域中提取特征。然后，引入编码器–解码器结构，对特征进行处理，并将其统一比例为坐标–置信图，其中包含三通道的坐标图 $M_{\text{coor}}$和单通道的置信图 $M_{\text{conf}}$。它们共享网络权重， $M_{\text{coor}}$中的每个像素分别代表物体3D模型的XYZ空间坐标(如图3所示)。

当我们从3D模型中估计空间坐标时，由于背景中的未知空间坐标，这会导致物体边缘处的坐标图出现明显的误差。为了解决这个问题，我们提出了一个联合的坐标–置信度损失(Coordinates-Confidence Loss, CC Loss)函数，具体如公式(2)：

${\mathcal{l}}_{\text{CC}}=\alpha \cdot {\Vert M_{\text{coor}}-{\hat{M}}_{\text{coor}}\Vert }_1+\beta \cdot {\Vert {\displaystyle \underset{i=1}{\overset{n_c}{\sum }}\left(M_{\text{conf}}\otimes \left(M_{{\text{coor}}_i}-{\hat{M}}_{{\text{coor}}_i}\right)\right)}\Vert }_1$(2)

其中， $n_c=3$是坐标图的通道数， $M_{*}$和 ${\hat{M}}_{*}$分别代表真值坐标图和估计坐标图， $\alpha$、 $\beta$是权重系数， $\otimes$是矩阵外积。

更具体地说，我们只关注一个物体的坐标图，而对于置信图，我们计算的是裁切图像的损失而不是整个区域。这种设计避免了来自非感兴趣区域(如背景、遮挡)的干扰，使网络能够准确预测空间坐标。

3.4. 动态缩放

2D目标检测的性能会影响6DoF姿态估计的结果，因此使用定制的2D目标检测器模型是常见的做法，但不能保证每个检测器在不同的场景下都具有良好的表现。因此，我们引入动态缩放策略，以提高6DoF姿态估计的鲁棒性。

2D目标检测的数学表示为物体的2D边界框 $\left(x,y,w,h\right)$，其中 $x$、 $y$是边界框的中心点， $w$、 $h$为尺寸大小。我们引入截断的正态分布进行随机抖动采样，如下公式(3)、(4)、(5)：

$\tilde{x}\sim f_x=\frac{1}{{\sigma }_x}\cdot \frac{\varphi \left(\frac{\tilde{x}-x}{{\sigma }_x}\right)}{\Phi \left(\frac{\alpha w}{{\sigma }_x}\right)-\Phi \left(\frac{-\alpha w}{{\sigma }_x}\right)}$(3)

$\tilde{y}\sim f_y=\frac{1}{{\sigma }_y}\cdot \frac{\varphi \left(\frac{\tilde{y}-y}{{\sigma }_y}\right)}{\Phi \left(\frac{\beta h}{{\sigma }_y}\right)-\Phi \left(\frac{-\beta h}{{\sigma }_y}\right)}$(4)

$\tilde{s}\sim f_s=\frac{1}{{\sigma }_{\min \left(w,h\right)}}\cdot \frac{\varphi \left(\frac{\tilde{s}-s}{{\sigma }_s}\right)}{\Phi \left(\frac{\gamma \min \left(w,h\right)}{{\sigma }_s}\right)-\Phi \left(\frac{-\min \left(w,h\right)}{{\sigma }_s}\right)}$(5)

其中， $\tilde{x}\in \left[-\alpha w,\alpha w\right]$， $\tilde{y}\in \left[-\beta h,\beta h\right]$， $\tilde{s}\in \left[-\gamma \min \left(w,h\right),\gamma \min \left(w,h\right)\right]$， $\varphi (·)$为其累计分布函数， $\alpha$、 $\beta$、 $\gamma$是超参数。

由于图像缩的原因，RGB图像上的像素点位置与坐标图不同。为了构建3D-2D对应关系，需要将预测的坐标映射到RGB图像上(见图4)。对于每个像素点 $\left(i,j\right)$，我们可以通过公式(6)得到3D-2D点 $\left(p_x,p_y\right)$：

$\{\begin{array}{c}{p}_x=c_x+\frac{w}{\tilde{w}}\cdot \left(i-{\text{coor}}_x\right)\\ p_y=c_y+\frac{h}{\tilde{h}}\cdot \left(j-{\text{coor}}_y\right)\end{array}$(6)

其中， $c_x$、 $c_y$、 $w$、 $h$分别为RGB图像中物体的中心点和尺寸大小， ${\text{coor}}_x$、 ${\text{coor}}_y$、 $\tilde{w}$、 $\tilde{h}$分别为坐标图中物体的中心点和尺寸大小。

为了减少点对关系的异常值，我们引入了RANSAC，使得估计的6DoF姿态更加稳健。

4. 实验结果

4.1. 数据集

Occlusion LINEMOD [10] 数据集是LINEMOD数据集的一个子集，它主要被用来比较在不同程度的遮挡情况下6DoF物体姿态估计方法的性能。

T-LESS [11] 数据集主要被广泛用于评估无纹理物体的6DoF姿态估计性能。它包含了大量的行业相关的物体和测试图像，这些图像具有较大的视角变化，物体处于多个实例中，受到杂波和遮挡的影响。

4.2. 评估指标

物体的6DoF姿态数学化抽象表示为4 × 4矩阵：

$P=\left[\begin{array}{cc}R& T\\ 0& 1\end{array}\right]$(7)

其中，R为3 × 3的旋转矩阵，T为3 × 1的平移向量。

对于Occlusion LINEMOD数据集，一般的评估指标为：非对称物体的3D模型点平均距离(ADD) [3] 和对称物体的平均最邻近点距离(ADD-S) [4]。给定真值的旋转矩阵R和平移向量T，以及估计值的旋转矩阵R和平移向量T，评估指标如公式(8)、(9)：

$e_{\text{ADD}}=\underset{x\in M}{\text{avg}}\Vert \left(Rx+T\right)-\left(\hat{R}x+\hat{T}\right)\Vert$(8)

$e_{\text{ADD-S}}=\underset{x_1\in M}{\text{avg}}\underset{x_2\in M}{\min }\Vert \left(R{x}_1+T\right)-\left(\hat{R}{x}_2+\hat{T}\right)\Vert$(9)

其中，M表示为3D模型点的集合。如果估计姿态和真值姿态之间的距离 $<10\%\cdot d$(d为物体3D模型的直径)，则可以认为估计的姿态是正确的。

为了与PVNet进行比较，我们还采用了2D投影度量指标，即使用真值姿态和估计姿态将物体3D模型投影至图像中。如果整个模型顶点的平均投影误差<5 px，则可以认为估计的姿态是正确的。

我们为T-LESS数据集引入了BOP Challenge [12] 的评估指标。第一个姿态误差函数为可见表面误差(VSD)，它只考虑物体的可见部分，将无法区分的姿态视为等同姿态。第二个姿态误差函数为最大对称性感知表面距离(MSSD)，由于它评估了物体模型中的表面偏差，因此该函数与机器人操纵强相关。第三个姿态误差函数为最大对称性投影距离(MSPD)，它考虑了全局物体的对称性，并以最大距离取代平均值，以提高对网格顶点采样的鲁棒性。由于MSPD不评估沿相机光轴(Z轴)的对齐情况，只测量可感知的差异，因此它与增强现实应用有关，适合用于评估基于RGB图像的方法。

结合上述三个姿态误差函数，T-LESS数据集的评价指标是由平均召回率(AR)来衡量的：

$\text{AR}=\frac{{\text{AR}}_{\text{VSD}}+{\text{AR}}_{\text{MSSD}}+{\text{AR}}_{\text{MSPD}}}{3}$(10)

4.3. 实现细节

为了提高方法的鲁棒性，我们引入了不同的图像对比度、亮度、高斯模糊和颜色失真。此外，我们使用带有黑色方块的随机物体掩码来模拟遮挡情况。在训练过程中，初始学习率为 $1\times {10}^{-4}$，批量大小为4。我们采用RMSProp函数( $\alpha =0.99$， $\sigma =1\times {10}^{-8}$)进行优化。该模型总共训练了200个迭代，每50个迭代的学习率将被除以10。坐标标签通过前向投影与Z-Buffer计算的。

4.4. 定性结果

我们与基于RGB图像的6DoF姿态估计方法进行了比较，如表2、表3所示。对于Occlusion LINEMOD数据集，我们的方法在所有基线方法中取得了最好的性能。使用动态缩放(DS)策略的结果比使用真值边界框(BBs)的结果更为接近。

此外，我们将定性结果与PVNet进行比较，在不同程度的遮挡情况下，我们的方法产生了令人满意的姿态精度(见图5)。对于有严重遮挡的物体，PVNet存在漏检和较低的识别率，而我们的方法可以解决这种情况。

对于T-LESS数据集，我们在表4中把我们的方法与现有基线方法进行了比较。值得一提的是，在平均召回率指标方面，我们基于RGB的方法比基于RGB-D的方法要高出4.43%。我们将定性结果与EPOS进行比较，如图6所示，从比较结果来看，我们的方法具有更高的鲁棒性和准确性。

在性能方面，我们使用了两个训练数据集的版本：合成数据集和真实数据集。如表5和图7所示，少量的真实数据对所有指标的性能都有约10%的提升。在推理速度方面，二维检测器每张图片只需要约8 ms，而6DoF姿态估计网络需要20 ms。我们的方法在NVIDIA RTX 2060显卡上运行约35 ms，基本满足了实时的性能。

我们根据估计的6DoF姿势将物体的3D模型渲染到RGB图像上(见图8)，已能够满足机器人抓取领域和增强现实领域。

5. 结论

在本文中，我们提出了一个全新的6DoF姿态估计网络框架，通过像素级的XYZ坐标映射进行6DoF姿态估计，这可以有效地处理遮挡情况和无纹理物体。同时，考虑了到2D目标检测对6DoF姿势估计的影响，我们的方法引入了动态缩放策略来提高鲁棒性。我们通过与现有的基线方法进行定量比较来评估我们的方法。实验结果表明，对于杂乱场景中的无纹理和遮挡物体，我们的方法优于基线方法。在未来的工作中，我们将通过多任务学习和注意力机制来优化网络结构，以提高准确性和稳健性。

参考文献