买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：常州唯实智能物联创新中心有限公司

摘要：本发明属于位姿追踪技术领域，具体涉及一种基于元学习的类级别6D位姿追踪方法、系统及装置，其中基于元学习的类级别6D位姿追踪方法包括：构建刚体6D位姿估计任务并构建类级别刚体6D位姿估计的学习目标；构建刚体6D位姿估计网络模型；构建Offline学习策略，初始化6D位姿估计网络模型；以及构建Online学习策略，将初始化的6D位姿估计网络模型用于刚体6D位姿追踪任务，实现了利用元学习的方法，使得网络模型通过学习获得追踪特定类别的物体不同实例对象的位姿的经验，当模型追踪特定类别的物体的新的实例对象的位姿时，能够以该实例对象的初始位姿为监督，利用梯度下降算法对模型参数进行一次或者几次梯度更新，就能使模型有效地追踪该实例对象的位姿。

主权项：1.一种基于元学习的类级别6D位姿追踪方法，其特征在于，包括：构建刚体6D位姿估计任务并构建类级别刚体6D位姿估计的学习目标；构建刚体6D位姿估计网络模型；构建Offline学习策略，初始化6D位姿估计网络模型；以及构建Online学习策略，将初始化的6D位姿估计网络模型用于刚体6D位姿追踪任务；所述构建刚体6D位姿估计任务并构建类级别刚体6D位姿估计的学习目标的方法包括：将预设类别的物体的不同实例对象的位姿估计看作不同的任务，所有的任务服从分布，每个任务以数据集D表示，数据集包括该实例对象在相机坐标系中不同视角下的RGBD图像x和图像中该实例对象的6D位姿y；最佳元学习模型参数为： ；其中，为学习的6D位姿估计网络模型的初始化参数；为学习的6D位姿估计网络模型的学习率；L为位姿估计的损失函数；为随机初始化的参数；为随机初始化的学习率；E为数学期望；所述构建刚体6D位姿估计网络模型的方法包括：根据RGB图像和点云数据进行刚体的6D位姿追踪；根据深度图像结合预设的相机内参获取当前输入数据的点云数据；6D位姿估计网络模型的输入包括要估计位姿的物体的RGB图像和当前视角物体的点云数据；根据异构网络分别提取输入数据的RGB特征和点云特征，并对RGB特征和点云特征进行逐点融合获取每个稠密像素点的RGB特征和点云特征相融合的特征，对每个稠密像素点的融合特征进行最大池化操作获取输入数据的全局特征，再进行回归获取物体的3D旋转向量、3D平移向量；RGB图像的特征尺寸为[W,H,32]，通过两个卷积层卷积后得到的特征尺寸为[W,H,128]；点云进行特征提取后得到的特征尺寸为[N,128]，N为点云中点的个数；将RGB图像特征和点云特征进行特征融合后获取物体的全局特征尺寸为1024*1，在姿态回归和位置回归网络中，分别通过3个卷积层回归得出4*1的旋转向量和3*1的平移向量；旋转的损失函数为： 平移的损失函数： 其中，为位姿的标签，为网络预测的6D位姿；trace为矩阵的迹，为 输入网络模型的N个点云的坐标平均值； 则，6D位姿估计模型的损失函数为： 其中为预设参数。

全文数据：

权利要求：

百度查询： 常州唯实智能物联创新中心有限公司 基于元学习的类级别6D位姿追踪方法、系统及装置