← 返回论文列表

面向机器人控制的时间一致性物体6D姿态估计
Temporally Consistent Object 6D Pose Estimation for Robot Control

作者: Kateryna Zorina, Vojtech Priban, Mederic Fourmy 等5人
arXiv: 2605.02708v1
分类: cs.RO, cs.CV
📝 论文摘要
单视图RGB物体位姿估计器已达到的精度和效率使其成为基于视觉的机器人控制的理想选择。然而，现成的方法缺乏稳定反馈控制所必需的时间一致性和鲁棒性。本文提出了一种基于因子图的方法，以强制实现物体位姿估计的时间一致性。具体而言，所提方法：(i) 结合物体运动模型，(ii) 显式估计物体位姿测量不确定性，以及(iii) 将上述两个组件集成于基于在线优化的估计器中。我们证明，通过使用所提出的因子图方法进行适当的异常值剔除与平滑处理，可在标准化位姿估计基准上显著提升结果。我们通过实验验证了该方法在基于反馈的机器人控制任务中的稳定性，该任务中，物体由安装在扭矩控制机械臂上的摄像头进行跟踪。

📊 核心分析

🎯 研究动机
- 现有**单视图RGB物体姿态估计器(single-view RGB object pose estimator)** 已达到较高精度和效率，适合视觉机器人控制 - 但这些方法缺乏**时间一致性(temporal consistency)** 和**鲁棒性(robustness)**，无法满足稳定反馈控制的需求 - 研究背景：机器人控制要求姿态估计在时间序列上平滑且对异常值不敏感，现有离线方法不适用
🔧 核心方法
- 提出**因子图(factor graph)** 方法，在在线优化框架中强制物体姿态估计的时间一致性 - 集成**物体运动模型(object motion model)**，对姿态变化进行先验约束 - **显式估计测量不确定性(explicit estimation of measurement uncertainty)**，将不确定性作为优化变量 - 结合**异常值拒绝(outlier rejection)** 和**平滑(smoothing)** 技术，提升估计稳定性
💡 核心创新
- **首创性**：首次将**因子图优化(factor graph optimization)** 用于实时物体6D姿态估计的时间一致性控制 - **不确定性感知(unawareness-aware)**：显式建模并在线优化测量不确定性，优于固定阈值或启发式方法 - **端到端在线求解(online optimization)**：无需批处理，满足机器人控制实时性要求
🏆 总体贡献
- 为**视觉反馈机器人控制(visual feedback robot control)** 提供了一种**稳定、时间一致(time-consistent)** 的6D姿态估计方法 - 在标准**姿态估计基准(pose estimation benchmark)** 上显著提升性能（通过异常值拒绝和平滑） - 通过**扭矩控制机械臂(torque-controlled manipulator)** 实验验证了该方法在真实机器人控制任务中的稳定性与实用性