se(3)-TrackNet：通过在合成域中校准图像残差实现数据驱动的6D位姿跟踪

在视频序列中追踪物体的6D位姿对于机器人操作至关重要。然而，该任务面临诸多挑战：（i）机器人操作过程中存在显著的遮挡；（ii）6D位姿的数据与标注获取困难且耗时，给机器学习方法的实现带来困难；（iii）长期追踪中常出现累积误差漂移，导致必须频繁重新初始化物体位姿。为此，本文提出一种基于数据驱动的优化方法，用于实现长期、高精度的6D位姿追踪。该方法在给定当前RGB-D观测结果，并结合基于前一最优估计与物体模型生成的合成图像条件下，自动推断出物体的最优相对位姿。本文的核心贡献在于提出了一种新颖的神经网络架构，能够有效解耦特征编码，从而缓解域偏移问题；同时引入基于李代数（Lie Algebra）的高效三维姿态表示方法。得益于这一设计，即使模型仅在合成数据上进行训练，也能在真实图像上实现高效且稳定的性能表现。在多个基准数据集上的广泛实验——包括现有数据集以及一个包含显著遮挡、与物体操作密切相关的新型数据集——表明，所提方法在估计鲁棒性方面显著优于现有方法，即便后者使用真实数据进行训练。此外，该方法在所有对比方法中计算效率最高，实现了高达90.9Hz的追踪频率。