Para abordar o problema da limitação da precisão na estimativa da pose 6D de objetos sob condições de fundo complexo e textura fraca, este artigo propõe uma estrutura de estimativa de pose consciente da incerteza. Primeiro, na fase de extração de características, é introduzido um módulo de aumento do campo receptivo multiescala na estrutura codificador-decodificador, que, ao fundir informações contextuais de diferentes escalas de convolução e taxas de dilatação, melhora a capacidade da rede de representação multiescala para alvos com textura fraca. Em seguida, é projetado um mecanismo de votação consciente da confiança em nível de pixel para modelar a confiança nos resultados da previsão do campo vetorial unitário denso dos pontos-chave e, no processo de votação dos pontos-chave, a contribuição dos pixels é ponderada de forma adaptativa para aumentar a robustez da localização dos pontos-chave. Finalmente, a incerteza dos resultados da localização dos pontos-chave é explicitamente introduzida no processo de solução da pose, construindo uma estrutura de estimativa de pose PnP consciente da incerteza para reduzir o impacto de pontos-chave ruidosos na estimativa da pose. Os resultados experimentais nos conjuntos de dados LineMOD, Occlusion LineMOD e YCB-Video mostram que o método proposto melhora significativamente a precisão da estimativa da pose em comparação com vários métodos, como BB8, DenseFusion, PoseCNN, com um aumento médio de cerca de 7% na métrica de distância média (ADD), e demonstra boa robustez em cenas com fundo complexo e textura fraca. Os resultados experimentais validam totalmente a eficácia do método e sua capacidade de adaptação a cenários complexos.

estimativa da pose de objetos; localização de pontos-chave; votação de confiança em nível de pixel; percepção da incerteza; solução de pose PnP