Оценка 6D-позы нетекстурированных объектов с помощью сверточных нейронных сетей

Владимир Юрьевич Ерхов,Полина Александровна Лазарева,Геннадий Лукич Дегтярев

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Оценка 6D-позы нетекстурированных объектов с помощью сверточных нейронных сетей

В. Ю. Ерхов,

П. А. Лазарева,

Г. Л. Дегтярев

2026-01-20

https://doi.org/10.24108/preprints-3114311

Предложен подход к оценке 6D-положения объектов без текстуры с помощью сегментации и определения угловой ориентации на основе нейросетевых алгоритмов. В ходе практической апробации обучены две нейронные сети для получения устойчивой оценки позы. Первая нейросеть устанавливает опорные точки объектов, которые затем передаются в алгоритм PnP, отвечающий за оценку положения. Вторая нейронная сеть – это сеть регрессии поворота объекта, выходные данные которой представляет кватернион ориентации. Нейронные сети были обучены на пользовательских наборах данных, содержащих как реальные, так и фотореалистичные синтезированные изображения, которые сгенерированы на основе 3D-моделей. Сами 3D-модели сформированы с помощью фотограмметрии по множеству снимков распознаваемых объектов, что и составляют массив реальных изображений в датасете. Эффективность предложенных нейронных сетей для сегментации объектов и оценки позы также была изучена и сопоставлена с использованием реальных и синтезированных изображений. Результаты экспериментов демонстрируют высокий потенциал предложенного подхода к оценке позы бестекстурных объектов, что было проверено в задаче роботизированного захвата.

Ссылка для цитирования:

Ерхов В. Ю., Лазарева П. А., Дегтярев Г. Л. 2026. Оценка 6D-позы нетекстурированных объектов с помощью сверточных нейронных сетей. PREPRINTS.RU. https://doi.org/10.24108/preprints-3114311

Список литературы

1. Guan J, Hao Y, Wu Q, Li S, Fang Y. A Survey of 6DoF Object Pose Estimation Methods for Different Application Scenarios. Sensors 2024; 24(4): 1076. DOI: 10.3390/s24041076.

2. Hugo D, Marius P, Titus Z. 6D Pose Estimation of Unseen Objects for Industrial Augmented Reality. IEEE 20th International Conference on Intelligent Computer Communication and Processing 2024; DOI: 10.1109/ICCP63557.2024.10792989.

3. Thomas R, Julien M, Alexandre E, Antoine M. Real-time visual pose estimation: from BOP objects to custom drone — A journey. Mechatronics 2025; ISSN: 0957-4158.

4. Zhou B, Ziqiang C, Qinghua L. An Efficient Solution to the Perspective-n-Point Problem for Camera With Unknown Focal Length. IEEE Access 2020; DOI: 10.1109/ACCESS.2020.3021313.

5. Guixian C, Jianhao M, Salar F. RANSAC Revisited: An Improved Algorithm for Robust Subspace Recovery under Adversarial and Noisy Corruptions 2025; Source: <https://arxiv.org/abs/2504.09648>. DOI: 10.48550/arXiv.2504.09648.

6. Hinterstoisser S, Holzer S, Cagniart C, Ilic S, Konolige K, Navab N, Lepetit V. Multimodal templates for real-time detection of texture-less objects in heavily cluttered scenes. International Conference on Computer Vision 2011; DOI: 10.1109/ICCV.2011.6126326.

7. Fabian D, Sebastian K, Hanna Z, Ngo A. SyMFM6D: Symmetry-Aware Multi-Directional Fusion for Multi-View 6D Object Pose Estimation. IEEE Robotics and Automation Letters 2023; 8(9): 5315-5322. DOI: 10.1109/LRA.2023.3293317.

8. Lei J, Xiaojuan W, Mingshu H, Jingyue W. DRNet: A Depth-Based Regression Network for 6D Object Pose Estimation. Sensors 2021; 21(5): 1692. DOI: 10.3390/s21051692.

9. Ge G, Mikko L, Yulong W, Xiaolin H, Jianwei Z, Simone F. 6D Object Pose Regression via Supervised Learning on Point Clouds. 2020; Source: <https://arxiv.org/abs/2001.08942>. DOI: 10.48550/arXiv.2001.08942.

10. Rad M, Lepetit V. BB8: A scalable, accurate, robust to partial occlusion method for predicting the 3D poses of challenging objects without using depth. IEEE International Conference on Computer Vision 2017; DOI: 10.1109/ICCV.2017.413.

11. Ordoumpozanis K, Papakostas G. Reviewing 6D Pose Estimation: Model Strengths, Limitations, and Application Fields. Applied Sciences 2025; 15(6): 3284. DOI: 10.3390/app15063284.

12. Wanqing X, Hao Z, Weiliang X, Xun X. Large vision-language models enabled novel objects 6D pose estimation for human-robot collaboration. Robotics and Computer-Integrated Manufacturing 2025; ISSN 0736-5845.

13. Budi N, a Nanik S, Chastine F. Analysis of Optimization Techniques in 6D Pose Estimation Approaches using RGB Images on Multiple Objects with Occlusion. Procedia Computer Science 2024; ISSN 1877-0509.

14. Pavel R, Thomas P. YCB-Ev 1.1: Event-vision dataset for 6DoF object pose estimation. 2023; Source: <https://arxiv.org/abs/2309.08482>. DOI: 10.48550/arXiv.2309.08482.

15. Antunes S, Okano M, Nääs I, Lopes W, Aguiar F, Vendrametto O, Fernandes J, Fernandes M. Model Development for Identifying Aromatic Herbs Using Object Detection Algorithm. AgriEngineering 2024, 6(3): 1924-1936. DOI: 10.3390/agriengineering6030112.

16. Richard C, Alan D, Ben C, Lucia V. Correlations of Cross-Entropy Loss in Machine Learning. Entropy 2024; 26(6): 491. DOI: 10.3390/e26060491.

17. Mateusz M, Kwolek B. Fiducial Points-supported Object Pose Tracking on RGB Images via Particle Filtering with Heuristic Optimization. VISIGRAPP 2021; ISSN 2184-4321.

18. Alex X, Colin R, Binh P. Blending is all you need: Data-centric ensemble synthetic data. Information Sciences 2025; ISSN 0020-0255.

19. Goyal M, Mahmoud Q. A Systematic Review of Synthetic Data Generation Techniques Using Generative AI. Electronics 2024; 13(17): 3509. DOI: 10.3390/electronics13173509.

20. Hansheng C, Wei T, Pichao W, Fan W, Lu X, Hao L. EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose Estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence 2024; 47(11): 9413-9425. DOI: 10.1109/TPAMI.2024.3354997.

21. Mateusz M, Kwolek B. Deep Quaternion Pose Proposals for 6D Object Pose Tracking. International Conference on Computer Vision Workshops 2021; ISSN 2473-9944.

22. Zou K, Warfield S, Bharatha A, Tempany C, Kaus M, Haker S, Wells W, Jolesz F, Kikinis R. Statistical validation of image segmentation quality based on a spatial overlap index. Academic Radiology 2004; ISSN 1076-6332.

23. Vatsal R, Nataliia M, Mara G, Andrey M, Henning M, Meritxell B, Mark G. Tackling Bias in the Dice Similarity Coefficient: Introducing nDSC for White Matter Lesion Segmentation. 2023; Source: <https://arxiv.org/abs/2302.05432>. DOI: 202310.48550/arXiv.2302.05432.

24. Fang G, Qingyi S, Shaodong L, Wenbo L, Yong L, Jun Y, Feng S. Efficient 6D object pose estimation based on attentive multi-scale contextual information. IET Computer Vision 2022; 16(7): 596-606. DOI: 10.1049/cvi2.12101.

25. Ahmed G. Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review. Archives of Computational Methods in Engineering 2022; 29: 2531-2561. DOI: 10.1007/s11831-021-09694-4.

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов