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 c m ∗ T m + t c m T_c = R_{cm}*T_m+t_{cm} Tc=Rcm∗Tm+tcm其中， T m T_m Tm是物体再世界坐标系下的坐标， T c T_c Tc是相机坐标系； R c m R_{cm} Rcm是代表由世界坐标系到相机坐标系的旋转， t c m t_{cm} tcm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 A D D = avg x ∈ M ∥ ( R x + T ) − ( R ^ x + T ^ ) ∥ . e_{A D D}=\operatorname{avg}_{x \in M}\|(R x+T)-(\hat{R} x+\hat{T})\| . eADD=avgx∈M∥(Rx+T)−(R^x+T^)∥.其中 R R R 和 T T T 是真实的旋转和平移， R ^ \hat{R} R^ 和 T ^ \hat{T} T^ 是预测的旋转和平移， a v g avg avg是指计算均值。
ADD-S
给定真实的物姿 [ R ∣ T ] [R|T] [R∣T]和预测的姿态 [ R ^ ∣ T ^ ] [\hat{R}|\hat{T}] [R^∣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。
