亚马逊采摘挑战赛APC:6D姿态估计的多视图自监督学习6DPoseEstimationInAmazonPickingChallenge2017笔记

多视角自监督深度学习在6D姿态估计中的应用

亚马逊采摘挑战赛（APC）中用于6D姿态估计的多视图自我监督深度学习

基于模板匹配的姿态估计与自监督数据生成

摘要

1. 本研究设计了一种基于多视角RGB-D数据与自监督机制的数据驱动学习方法，旨在实现对复杂环境下存在自遮挡、传感器噪声及多种物体的可靠识别与定位。
2. 在所提出的方案中，我们采用全卷积神经网络对场景的多个视角进行分割和标注，随后将预扫描的三维物体模型匹配至最终分割结果中，从而获取物体的六自由度姿态。
3. 我们开发了一种无需人工标注即可生成大规模标签数据集的自监督策略 ，有效避免了繁琐的手动分割操作。实验结果表明，该系统在多种场景下均能稳定地完成物体六自由度姿态的估计。所有实验代码、数据以及基准测试均可通过http://apc.cs.princeton.edu/获得。获取。

引言

4. 在亚马逊与学术界的合作框架下，定义了两项挑战性任务：其一是从堆叠的商品货架中识别指定产品ID的对象并将其放置于购物袋内；其二是将装有商品的购物袋准