论文解读 | 基于改进点对特征的点云6D姿态估计

最新推荐文章于 2025-03-12 09:30:00 发布
原创 最新推荐文章于 2025-03-12 09:30:00 发布 · 902 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

文章提出了一种改进的点对特征(PPF)方法，用于提高杂波和遮挡下的6D姿态估计性能和效率。改进包括：基于奇偶规则求解封闭几何法向，有效降采样方法，以及基于拟合点的验证步骤。实验结果显示，这种方法在6D姿态估计上优于原始PPF方法。

原创 | 文 BFT机器人

01 摘要

点对特征(PPF)方法已被证明是一种有效的杂波和遮挡下的姿态估计方法。

文章的改进方法主要包括:

(1)一种基于奇偶规则求解封闭几何的法向的方法;

(2)通过将体素网格划分为等效角度单元的有效降采样方法;

(3)基于拟合点的验证步骤。在真实杂波数据集上对该方法进行了评估，结果表明该方法在6D姿态估计方面比原PPF方法具有更好的性能和效率。

02  点对特征（PPF）方法是什么？

PPF方法是一种通过提取局部特征和投票匹配的方法对点云中自由曲面三维物体进行姿态估计的方法。

图1 点对特征方法

03 &nbs

最低0.47元/天 解锁文章
BFT白芙堂
关注
基于改进的PPF方法实现物体检测与位姿估计算法
Byte_O_O的博客
08-13 344
传统的基于特征匹配的方法受到噪声、遮挡和复杂背景等因素的限制，难以实现准确的检测和估计。PPF方法是一种基于点云的物体检测和位姿估计方法，其通过计算点对之间的相对位置和法向量之间的角度来进行匹配。本文将介绍一种基于改进的PPF（Pairwise Point Feature）方法的物体检测与位姿估计算法，并提供相应的源代码实现。以上是基于改进的PPF方法的物体检测与位姿估计算法的文章内容和相应的源代码实现。如有任何问题，请随时提问！（2）根据点云的法向量，计算点对之间的位置和法向量之间的角度；
TPAMI 2024 | 匹配归一化：用于实际环境中6D对象姿态估计的基于学习的点云配准
小白学视觉
07-25 384
在这项工作中，我们解决了从点云数据中估计对象6D姿态的任务。虽然最近的基于学习的方法在合成数据集上取得了显著成功，但我们观察到它们在实际数据中失败。我们调查了这些失败的根本原因，并确定了两个主要挑战：广泛使用的基于SVD的损失函数对两点云之间旋转范围的敏感性，以及源点云和目标点云之间特征分布的差异。我们通过引入一种不使用SVD操作的直接监督损失函数来解决第一个挑战。为了应对第二个挑战，我们引入了一种新的归一化策略，称为匹配归一化。
点云的位姿估计
weixin_41150257的博客
11-13 1272
定义：点云的位姿估计是指通过一系列算法和技术，根据物体的点云数据（即物体表面上的大量离散点的集合）来估计物体的三维位置和姿态。重要性在机器人抓取领域，通过精确估计物体的位姿，可以实现机器人对物体的准确抓取和操作。在增强现实领域，将虚拟元素叠加在真实物体上，并保持与物体的相对位姿不变，为用户提供更加沉浸式的体验。在自动驾驶和无人机导航等领域，实时估计周围物体的位姿有助于实现安全、准确的路径规划和避障。
PPF算法原理解析
weixin_44019809的博客
10-22 4821
PPF算法原理解析 首先需要指出容易混淆的地方：（1）一个是实际场景中的物体S（位姿未知），一个是已知位姿的该物体M，然后算法的目的之一是求解场景中该物体的位姿；（2）ppf特征F，一个键值可能对应一些列的点对集，并非只对应一个，即满足某些几何关系的点对集可能有许多组； **第一步：**计算模型（位姿已知）的PPF特征，模型中所有点对都需要计算一遍，PPF特征计算规则如下： **第二步：**将上述计算得到的所有F值与对应的点对集，放入一张Hash表中，注意！！此处Hash表中的所有PPF特征是基于 已知
利用点云进行姿态检测估计
yyd__的博客
07-11 1682
直接保存一下code /* 本段代码主要实现的功能： 1.去除平面 2.去除其他杂乱点云 3.对目标进行有向包围盒计算 4.计算目标重心点;计算旋转矩阵;计算欧拉角ZYX;即先绕Z轴旋转角度，再绕新的Y轴旋转角度，最后绕新的X轴旋转角度 */ #include "ros/ros.h" #include "std_msgs/String.h" #include <pcl/ModelCoefficients.h> #include <pcl/point_ty
点云 相机位姿_汉振分享 | 刚性物体6D位姿估计方法简述
weixin_28972031的博客
12-24 1999
引言在工业上的抓取作业中，多数情况下会有：待检测物体类型单一、物体模型表面纹理较少、工件散乱且密集、金属表面(油污、反光)影响成像效果等作业环境上的特殊性条件存在。针对不同的应用场景及作业需求，需要有的放矢地选择一种合适的位姿估计方案，以提高后续机器人的抓取成功率及作业的整体效率。现阶段，针对刚性物体的位姿估计方法，大致可以归为以下三类：1 基于模板匹配2 基于3D描述符(描述子)3 基于学习(神...
DenseFusion(6D姿态估计)解读-2019cvpr
期待黎明的博客
03-09 5101
DenseFusion(6D姿态估计)解读-2019cvpr 资源 论文 作者源码 他人修改过代码 作者的想法 我们在研究中发现，从 RGB-D 输入中提取 6D 姿态信息时，很多点是被其他对象遮挡住的，这就会导致识别性能发生明显下降。在前人的工作中，一种流行的方法是利用全局特征进行 6D 位姿估计。但是当发生了遮挡，全局特征很大程度上会受到影响，导致预估测结果不佳。在这项工作中，我们生成了基于像...
TPAMI 2025 | Glissando-Net: 基于单视图的类别级姿态估计与3D重建
最新发布
小白学视觉
03-12 637
我们提出了一种深度学习模型，名为Glissando-Net，能够从单张RGB图像中同时估计物体的姿态并重建其3D形状。以往的研究大多集中在姿态估计（通常是实例级）或形状重建，而Glissando-Net则同时解决了这两个问题。Glissando-Net由两个联合训练的自动编码器组成，一个用于处理RGB图像，另一个用于处理点云数据。我们采用了两个关键设计选择来实现更准确的3D形状和姿态预测：首先，我们通过从图像解码器中提取的特征图来增强点云编码器和解码器的特征图，从而在训练和预测阶段实现有效的2D-3D交互。
论文解读《DenseFusion：6D Object Pose Estimation by Iterative Dense Fusion》
ZYLer_的博客
10-30 1958
DenseFusion 的特征提取网络是一种并行异构的架构，其使用一个 CNN 网络从 RGB 图像中提取颜色相关的特征，使用一个 PointNet 从点云中提取形状几何相关的特征。值得注意的是，这里 CNN 卷积输出的特征图是与原图宽高一致的，PointNet 输出的特征也是逐点特征（point-wise feature），即每个点都有相对应的特征。这样就可以根据每个点的索引，在 CNN 输出的特征图上找到唯一的对应，从而将来自点云的几何特征与来及图像的颜色特征进行串联，获得逐点的多模态特征向量。
PCL点云姿态估计、刚性匹配SampleConsensusPrerejective
手口一斤
01-12 5107
目录 代码实现 结果分析和使用感受 点云刚性匹配，rigid objects匹配，假设模板是A点云，要在B点云中找到与A点云形状、大小都一致的点云集合； 代码实现 代码流程： 1、读入点云数据 2、对点云数据进行下采样 3、求点云数据的法向量 4、求点云数据的FPFH特征，其它特征也行 6、进行匹配 #include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h
基于PCA的点云位姿估计与粗拼接，matlab实现
04-04
使用主元分析法PCA对两片点云数据作粗略的拼接配准，可以作为ICP算法的预处理步骤。尝试规定了PCA主元向量的朝向。附带ply文件格式的bunny多视角数据。
detectozord:利用PointNet + PCL从点云进行目标检测，分类和姿态估计
05-05
该存储库是用于在计算机视觉中使用pcl和tensorflow的沙箱（实验代码） “细分”是利用pcl从深度传感器中捕获3d点云，应用SAC细分以去除大型平面，通过pcl欧几里德聚类提取从场景中提取细分/数据/模型中预定义3D模型的候选实例，进行分类的管道他们使用点网将其放入预定义的对象集中，然后通过pcl SampleConsensusPrerejective估计其姿势 使用的软件包： python 3.5 x64 https://www.python.org/downloads/release/python-350/ pip install --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_amd64.whl pip install scipy
论文总结（三）基于点云配准的位姿估计
weixin_47151388的博客
05-21 5541
论文总结（三）基于点云配准的位姿估计
点云库PCL学习——位姿估计
zzh_AI的博客
07-02 4100
#include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/time.h> #include <pcl/console/print.h> #include <pcl/features/nor...
CVPR2020文章汇总 | 点云处理、三维重建、姿态估计、SLAM、3D数据集等(12篇)
3D视觉工坊
04-15 4107
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达1.PVN3D: A Deep Point-wise 3D Keypoints Voting Network for 6DoF Po...
基于主成分分析（PCA）的点云位姿估计与粗拼接
Byte_O_O的博客
09-09 748
通过估计点云之间的相对位姿，可以将多个点云进行拼接，生成一个更完整和准确的三维模型。本文介绍了一种基于主成分分析（PCA）的方法，用于点云位姿估计和粗拼接，并提供了相应的MATLAB代码实现。假设第一个点云为P，第二个点云为Q，它们的质心分别为p_center和q_center。点云位姿估计的目标是找到两个点云之间的刚性变换，即旋转和平移矩阵，使得两个点云之间的对应点之间的距离最小。点云粗拼接的目标是将两个点云进行对齐，使得它们之间的重叠区域最大化。使用上述代码，您可以将两个点云P和Q作为输入，然后调用。
点云从入门到精通技术详解100篇-基于点云配准的无纹理堆叠物体 6D 位姿估计
getusushu的博客
01-17 849
但机器人对复杂环境的感知和理解能力远不及人类，这极大的限制了机器人的应用场。准确的物体实例分割能够显著减少定位算法的计算量，提升。定位结果的可靠性和准确度，但现有分割算法应用于复杂堆叠情况下的物体实例分割。数量小，同种方法可有效针对一类物体完成分割，但是无法适用于背景复杂多变的场。基于学习类的方法将大量标注好分割结果的样本输入网络训练，完成训练后即可。的变化提取物体的边缘点，其次将物体的边缘点联合形成封闭轮廓，将每个封闭轮廓。基于边缘提取的分割算法缺点在于，分割多面体时会沿棱边将同一物体划分为不。
【点云论文速读】6D位姿估计
点云PCL
05-24 3105
点云PCL免费知识星球，点云论文速读。 标题：MoreFusion: Multi-object Reasoning for 6D Pose Estimation from Volumetric Fusion 作者：Kentaro Wada, Edgar Sucar, Stephen James 星球ID：wl_华科_点云处理_目标识别 欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。 ●论文摘要 机器人与其他智能设备需要根据自身搭载的视觉系统实现高效的目标级场景表达以进行接触、物理、遮挡等
点云从入门到精通技术详解100篇-基于点云配准的无纹理堆叠物体 6D 位姿估计（下）
getusushu的博客
01-19 853
同相机坐标系的变换矩阵。其次对每一个相机所拍摄的物体图像采用图像分割、面积滤波以及 Super-4PCS 粗定位等算法获取重合度较高的粗配准结果。5-5 所示，图中绿色点云数据为主视角拍摄结果，蓝色点云数组为辅助视角所得结 果，配准后合并至同一坐标系下。贴合，定位精确度更高。两个相机近距离平行角度拍摄物体时，两相机获取图像差异的不大，会导致多视角位。单相机图像的定位结果作为传统方法结果，将双相机位姿融合后结果作为本文改进方。个以上的相机标定时，首先选定一个视角作为主视角，将主视角相机分别与其他视角。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值