哈工大全媒体（阚思邈 刘贤明/文 刘贤明/图）近日，计算学部刘贤明教授团队在具身智能领域取得重要进展，提出了一种基于隐式神经网络的6D物体位姿优化方法，显著提升了物体定位的精度与效率。相关研究成果以《基于隐式表面优化的快速而精确的6D物体姿态修正方法》（Fast and Accurate 6D Object Pose Refinement via Implicit Surface Optimization）为题，发表于《IEEE机器人汇刊》（IEEE Transactions on Robotics）。
6D位姿估计（包含3D旋转和3D平移）是机器人抓取、增强现实等应用的核心技术。传统方法依赖迭代最近点（ICP）算法进行位姿优化，但迭代最近点（ICP）需要显式建立点云与3D模型的一一对应关系，易陷入局部最优且对噪声和遮挡敏感。
针对这一问题，研究团队提出了一种基于隐式神经网络的优化框架，通过将目标物体的3D模型编码为符号距离场（SDF），直接优化点云与模型表面的距离，无需显式匹配对应点。该方法具有多种优势：一是高效性，离线训练仅需4-5分钟，在线优化实时完成；二是鲁棒性，对初始位姿偏差大、噪声、尺度变化及遮挡等复杂场景表现优异；三是通用性，可无缝集成至现有位姿估计流程，无需额外标注数据。
系统框图
研究团队在合成与真实数据集（如LINEMOD、YCB-V、T-LESS）上进行了广泛测试。实验表明，该方法在ADD(-S)和VSD等指标上显著优于传统ICP及其变体。例如，在遮挡严重的Occluded LINEMOD数据集上，结合通用位姿估计器OVE6D，准确率从55.3%提升至71.5%。该技术可广泛应用于工业机器人精准抓取、自动驾驶环境感知、AR/VR交互等领域。
哈工大为论文第一单位。计算学部刘贤明教授为论文通讯作者，博士研究生庞博为论文第一作者。该研究工作受到国家自然科学基金重大研究计划等项目资助。
团队已开源代码：https://github.com/pangbo1997/SDFR
论文链接：https://ieeexplore.ieee.org/document/10970084
