李少飞，史泽林，庄春刚

（上海交通大学机械与动力工程学院，上海 200240）

0 概述

散乱场景中的三维物体拾取是机器人操作中的一类经典问题，利用机械臂将箱子中无序摆放、堆叠的物体取出对机器人实现自动化具有重要意义。该问题的难点在于散乱堆叠的物体之间存在大量的遮挡，这不仅影响了对物体的识别，而且使得拾取过程中的碰撞检测更加复杂。物体六维位姿识别是散乱场景中三维物体拾取的重点和难点。近年来，深度学习技术在六维位姿估计任务中得到广泛应用。文献［1-3］根据RGB 数据对纹理丰富的物体实例进行六维位姿估计。文献［4］扩展二维目标检测器，提出一种基于分类离散视点的旋转位姿估计方法，但该方法仅预测真实姿态的粗略离散近似值，为达到更好的效果，还需对输出结果进行位姿细化。文献［5］先将RGB 图像在2 个网络中进行由粗到细的分割，再将分割结果反馈给第3 个网络得到待检测目标边界框点的投影，最终利用PnP 算法估计六维位姿，但该方法由于将网络分为多个阶段，因此导致运行时间非常长。文献［6］针对通过CNN 检测二维关键点并利用PnP 回归六维位姿的方法在遮挡和截断样本中存在的问题进行改进，对于每一个像素计算一个指向二维关键点的方向向量，并通过投票策略得到鲁棒的二维关键点，减少了物体局部缺失对位姿估计的影响。文献［7］通过训练获取输入RGB 图像的六维隐变量表示，然后在数据库中查找和其最相近的位姿作为估计结果。……