抗深度噪声的鲁棒六自由度位姿估计及在移动数据集上的综合评测
计算机视觉与模式识别
2025-06-04 v5
摘要
利用移动设备进行鲁棒的 6DoF 位姿估计是机器人、增强现实和数字孪生定位等应用的基础。本文中，我们广泛研究了现有基于 RGBD 的 6DoF 位姿估计方法在不同程度深度传感器噪声下的鲁棒性。我们指出，现有 6DoF 位姿估计方法由于深度测量不准确而存在显著的性能差异。针对该鲁棒性问题，我们提出了一种简单而有效的基于 transformer 的 6DoF 位姿估计方法 DTTDNet，其具有新颖的几何特征滤波模块和用于训练的 Chamfer 距离损失。此外，我们推进了鲁棒 6DoF 位姿估计领域，并引入了一个新数据集——Digital Twin Tracking Dataset Mobile (DTTD-Mobile)，专为使用 Apple iPhone 14 Pro 移动 RGBD 传感器套件获取的含噪深度数据进行数字孪生物体跟踪而设计。大量实验表明，在 DTTD-Mobile 上，DTTDNet 在 ADD 指标上以至少 4.32、最高 60.74 分的优势显著优于 SOTA 方法。更重要的是，我们的方法对不同程度的测量噪声表现出优越的鲁棒性，为抗测量噪声鲁棒性设立了新基准。项目页面公开于 https://openark-berkeley.github.io/DTTDNet/。
引用
@article{arxiv.2309.13570,
title = {Robust 6DoF Pose Estimation Against Depth Noise and a Comprehensive Evaluation on a Mobile Dataset},
author = {Zixun Huang and Keling Yao and Seth Z. Zhao and Chuanyu Pan and Allen Y. Yang},
journal= {arXiv preprint arXiv:2309.13570},
year = {2025}
}