参考资料： 《Vision-based Robotic Grasping From Object Localization, Object Pose Estimation to Grasp Estimation for Parallel Grippers: A Review》
1.简介
1.1 6D位姿的含义
6D是指6个自由度，代表了3个自由度的位移(Translation)，以及3个自由度的空间旋转 (Rotation)，合起来就叫位姿 (Pose)。位姿是一个相对的概念，指的是两个坐标系之间的位移和旋转变换。
对于物体的6D位姿估计，通常用物体从世界坐标系到相机坐标系的RT变换：
T
c
=
R
c
m
∗
T
m
+
t
c
m
T_c = R_{cm}*T_m+t_{cm}
Tc=Rcm∗Tm+tcm其中，
T
m
T_m
Tm是物体再世界坐标系下的坐标，
T
c
T_c
Tc是相机坐标系；
R
c
m
R_{cm}
Rcm是代表由世界坐标系到相机坐标系的旋转，
t
c
m
t_{cm}
tcm代表位移。
1.2 方法划分
1.2.1 基于点对应的方法-2D
显示地寻找当前图像与模板图像之间的特征点对应。传统的特征包括SIFT、SURF、OBR等，深度特征例如LIFT、GLAMpoints、LCD等
隐式地回归3D坐标点在2D上的投影，代表方法BB8、YOLO6D、Segment-driven、DPOD、EPOS等。
1.2.2 基于点对应的方法-3D
PVNet3D、6-PACK
1.2.3 基于模板的方法-2D
1.2.4 基于模板的方法-3D
2. 常用数据集和评价指标
2.1 LineMod
2.2 YCB-Video
2.3 评价指标
Average Distance of Model Points（ADD）
e
A
D
D
=
avg
x
∈
M
∥
(
R
x
+
T
)
−
(
R
^
x
+
T
^
)
∥
.
e_{A D D}=\operatorname{avg}_{x \in M}\|(R x+T)-(\hat{R} x+\hat{T})\| .
eADD=avgx∈M∥(Rx+T)−(R^x+T^)∥.其中
R
R
R 和
T
T
T 是真实的旋转和平移，
R
^
\hat{R}
R^ 和
T
^
\hat{T}
T^ 是预测的旋转和平移，
a
v
g
avg
avg是指计算均值。
ADD-S 给定真实的物姿
[
R
∣
T
]
[R|T]
[R∣T]和预测的姿态
[
R
^
∣
T
^
]
[\hat{R}|\hat{T}]
[R^∣T^]，ADD-S是指：从3D模型的每一个预测点到最近的真实点距离，然后求平均（对所有点）。
在LineMod数据集中，ADD用于评估非对称物体，ADD-S用于对称物体，通常设置的阈值为模型直径的10%。 在YCB-Video数据集中，用ADD-S小于2cm的物体所占的比例来评估。在不同阈值下绘制ADD-S曲线，计算曲线下方的面积作为AUC值。