RFM-Pose：基于强化学习引导的流匹配用于快速类别级6D姿态估计
计算机视觉与模式识别
2026-02-06 v1 机器人学
摘要
物体姿态估计是计算机视觉中的基础问题，在虚拟现实和具身智能领域发挥关键作用，要求智能体在3D空间中理解并与物体交互。最近的基于评分的生成模型在一定程度上解决了类别级姿态估计中旋转对称性歧义问题，但其效率受限于基于评分的扩散模型的高采样成本。本文提出一种新框架RFM-Pose，通过强化学习引导流匹配加速类别级6D物体姿态生成，同时主动评估采样假设。为提高采样效率，我们采用流匹配生成模型，从简单先验分布沿最优传输路径生成姿态候选。为进一步细化这些候选，我们将流匹配采样过程建模为马尔可夫决策过程，并应用近端策略优化进行采样策略的微调。具体而言，我们将流场解释为可学习的策略，并将估计器映射到价值网络，实现姿态生成与假设评分的联合优化。在REAL275基准测试上，实验表明RFM-Pose在显著降低计算成本的同时实现了 favorable性能。而且，与先前工作类似，我们的方法可以轻松适配物体姿态跟踪任务，并在该设置下取得具竞争力的结果。
引用
@article{arxiv.2602.05257,
title = {RFM-Pose:Reinforcement-Guided Flow Matching for Fast Category-Level 6D Pose Estimation},
author = {Diya He and Qingchen Liu and Cong Zhang and Jiahu Qin},
journal= {arXiv preprint arXiv:2602.05257},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication