YOLOV5-6D mejorado para una estimación robusta de posición 6D mediante atención guiada y fusión de características basada en transformadores

Resumen

La estimación de la pose en seis grados de libertad (6D) es esencial para el agarre robótico, la conducción autónoma y la realidad aumentada, con el objetivo de predecir la traslación y rotación tridimensionales (3D) de los objetos. Los métodos tradicionales basados en plantillas y características carecen de solidez ante cambios de oclusión e iluminación. Aunque los enfoques basados en YOLO (por ejemplo, YOLO6D, YOLOv5-6D) mejoran la eficiencia, siguen adoleciendo de un modelado de características débil y una fusión multiescala limitada. Para solucionar esto, mejoramos YOLOv5-6D introduciendo una red de agregación de rutas (PANet) para una fusión de características más sólida, un módulo de atención de bloques convolucionales (CBAM) para la extracción de características guiada por la atención y un módulo transformador para el modelado del contexto global. La pose 6D final se calcula utilizando el algoritmo perspective-n-point (PnP). Los experimentos con el conjunto de datos LINEMOD muestran que nuestro método mejora la precisión ADD del 71,63 % al 74,22 %, al tiempo que mantiene el rendimiento en tiempo real, lo que demuestra una mayor precisión y robustez para la estimación práctica de la pose 6D.