cocapop的博客

1.🎈dex-net Python 包用于打开、读取和编写 HDF5 数据库的 3D 对象模型、平行下颚抓取和掌握鲁棒性指标。🎈HDF5数据库还可用于生成大量数据集，将点云和抓取的元组与二进制抓取鲁棒性标签相关联，以训练抓取来预测点云候选抓取的鲁棒性。🎈该软件包是项目的一部分。🐸Dex-Net Object Mesh Dataset v1.1 和 Dex-Net 2.0 HDF5 数据库可以从下载。🐸生成自定义数据集：script tools/generate_gqcnn_dataset.py。

知乎【点云局部特征描述子】PFH & FPFH

【姿态表示】旋转向量、旋转矩阵、欧拉角、四元数

ICP算法

我们对所有返回的位姿做聚类，每个 clutter 中位姿的位置、姿态的差异不超过设定的阈值，然后每个聚类的得分是其包含的所有位姿的总得分，找出得分最高的 clutter，则最终的位姿为得分最高的 clutter 里面包含位姿的平均值。每个参考点可能返回多个位姿（投票相同），返回的位姿（retrieved poses）是否逼近 ground truth，取决于 model 和 scene 点的采样率和旋转角的采样。，scene 是我们测得的真实场景（点云），model 是物体的真实模型（点云）。

这里的采样是基于RANSAC的思路，随机取两个点法，得到描述子后丢Hash表匹配，可以计算出一个可能的pose，那么如何知道这个pose是不是正确的呢，Papazov采用的是对于计算出来的pose用一个目标函数作快速的假设检验，留下得分最高的。方法是在可能的SE3空间通过渲染对要检测的物体作充分的采样，提取足够鲁棒的模板，再对模板进行匹配就可以大致的估计位姿，最后ICP精化结果。上面少量的点对构成描述子来做的。(3)仅仅有二维的姿态是不够的，目前也有这一类的研究，关于直接从2d到3d的姿态进行直接估计。

1.Dense Fusion原文链接：https://arxiv.org/abs/1901.04780代码链接：https://github.com/j96w/DenseFusion主要思想：从RGBD图中估计已知对象的6D姿态。分别处理两个数据源。使用dense fusion network提取像素级dense feature embedding，并从中估计姿态。本文贡献：①提出一种将RGBD输入的颜色和深度信息融合的方法。利用嵌入空间中的2D信息来增加每个3D点的信息，并使用这个新的颜色深度空间