机器人擅长制作相同的重复动作，例如装配线上的简单任务。(拿起一个杯子。把它翻过来。把它放下。)但是当它们在环境中移动时，它们缺乏感知物体的能力。

(一个人捡起一个杯子，把它放在一个随机位置，机器人必须将其取回。)最近由伊利诺伊大学厄本那 - 香槟分校，NVIDIA，华盛顿大学和斯坦福大学的研究人员进行了一项研究。大学，在6D物体姿态估计上开发过滤器，为机器人提供更大的空间感知，使他们能够更准确地操纵物体并在空间中导航。

而3-d构成提供位置信息上X，Y，和的Z轴相对位置对象相对于相机-6D构成给出一个更全面的了解。“就像在飞行中描述飞机一样，机器人还需要知道物体方向的三个维度 - 它的偏航，俯仰和滚动，”与部门副教授Timothy Bretl一起学习的博士生Shinke Deng说。一号航空航天工程学院

在现实环境中，所有这六个维度都在不断变化。

“我们希望机器人能够在物体从一个位置移动到另一个位置时跟踪物体，”邓说。

邓解释说，这项工作是为了改善计算机视觉。他和他的同事们开发了一种过滤器来帮助机器人分析空间数据。过滤器查看每个粒子，或由相机针对对象收集的图像信息，以帮助减少判断错误。

“在基于图像的6D姿势估计框架中，粒子滤波器使用大量样本来估计位置和方向，”邓说。“每个粒子就像一个假设，是对我们想要估计的位置和方向的猜测。粒子滤波器使用观察来计算来自其他粒子的信息的重要性值。过滤器消除了不正确的估计。

用于6D对象姿势跟踪的PoseRBPF框架概述。该方法利用Rao-Blackwellized粒子滤波器和自动编码器网络来估计3D平移以及来自视频序列的目标对象的3D旋转的完全分布。图片来源：伊利诺伊大学Aeropsace工程系

该研究在Rao-Blackwellized粒子滤波框架中使用6D物体姿态跟踪，其中物体的3-D旋转和3-D平移被分离。这使得研究人员的方法(称为PoseRBPF)能够有效地估计物体的三维平移以及三维旋转的完全分布。因此，PoseRBPF可以跟踪具有任意对称性的对象，同时仍然保持足够的后验分布。

“我们的方法在两个6D姿态估计基准上实现了最先进的结果，”邓说。

该研究“PoseRBPF：用于6D物体姿态估计的Rao-Blackwellized粒子滤波器”在德国弗赖堡的机器人科学与系统会议上发表。它由邓新科，Arsala Mousavian，Yu Xiang，Fei Xia，Timothy Bretl和Dieter Fox共同撰写。