提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

一、基本知识

6D位姿

参见文章：物体6D位姿的含义
6D位姿，即3D位置和3D姿态（朝向），可以认为是相对概念，代表两个坐标系之间相对的位移和旋转；即拍摄时，相机坐标系相对于原始物体所在世界坐标系的平移和旋转变换[R,T]；其中R的方向为旋转轴的方向，模长为旋转角大小，为逆时针。
我们所估计的6D位姿是物体6D位姿(等价于相机外参)，即从物体所在的坐标系(以物体的重心为原点)到相机坐标系(以相机光心为原点)的旋转和平移，故即使在同一个场景下，不同物体的6D位姿也不同，但他们所在的相机坐标系是一致的。用公式表示为：T_c=R*T_m+t
其中为T_c物体在相机系的坐标，T_m为物体在世界系的坐标，R、t分别为旋转矩阵和平移向量。若将坐标扩充为4维T=[T 1]^T，该公式也可以表示为：*T_c=[R t]T_m

• 在世界系到相机系的变换过程中，可以假设有一个中间坐标系，该坐标系的原点与世界系一致，基与相机系一致。即中间坐标系的坐标与世界系只需要旋转：T_z=R*T_m,与相机系只需要平移：T_c=T_z+t
• 旋转矩阵R的特点：旋转矩阵(Rotate Matrix)的性质分析

相机内参

参见文章：一文带你搞懂相机内参外参
如下图所示，真实世界坐标为[x,y,z]，像素平面坐标为[u,v,1]两者通过相机内参矩阵K变换

二、6D位姿估计方法

• PNPnet：找若干匹配的点对，知道这些点对在物体坐标系和相机2维坐标系中的位置，由此求出R、T矩阵

1.基于对应点的方法

主要使用特征点

• 对纹理丰富的2D图像：将3D模型投影到多个方向得到N张2D模板，并记录对应关系；对新图像，提取特征点与2D模板对应，由PnP算法求得6D位姿；
• 对弱纹理2D：借助深度学习
• 对3D点云：最小二乘法

2.基于模板

使用整体。对模型构造多个模板，模板含有位姿信息。目标物体与哪一个模板接近，就使用该模板的位姿；。

• 2D图像：模板是模型在各个方向的2D投影，转为图像检索问题
• 3D点云：模板是目标物体的完整点云，转为单视角点云和完整点云的全局配准问题。

3.基于投票

使用基元，每个像素或3D点都对整体有影响。分为间接投票、直接投票。

• 间接投票(多见于深度学习)
  每个像素或3D点对特征点投票，再通过PnP或最小二乘法—例如6PACK
• 直接投票
  每个像素或3D点直接对6D位姿投票.通过生成大量位姿预测，再进行选择和优化，可以得到最终的位姿。

评价标准

• 非对称物体：ADD度量，即预测的RT和实际的RT分别作用在点云上后，所有点的平均偏差。

• 对称物体：ADD－S度量，考虑到对称性，寻找变换后，每一点到另一片点云的最近邻点，计算他们的平均距离偏差。

  对于LineMod数据集，度量结果<模型直径的10%即估计正确；
  对于YCB-Video数据集，常用ADD-S度量，而且阈值经常设置为2cm(面向抓取应用)，而且ADD-S曲线下的面积(AUC)也被使用，其阈值设为10cm。

小结

对于纹理清晰的目标，常用基于对应的方法；无纹理或弱纹理，多用基于模板的方法；而对于有部分遮挡的目标，多采用基于投票的方法。
目前的问题：1.遮挡场景下的位姿估计效果并不好。2.即使是基于深度学习的方法，当前的数据集也不足够。
未来方向：1.如何得到可靠且大量的数据；2.如何降噪；3.仿真和现实的差距如何缩小；4.如何估计被遮挡不可见物体的6D位姿