Wir schlagen ein neues Keypoint-Voting-Verfahren vor, das auf sich schneidenden Kugeln basiert und genauer als bestehende Verfahren ist, während es gleichzeitig weniger, aber weiter verteilte Keypoints ermöglicht. Das Verfahren beruht auf dem Abstand zwischen Punkten, der als eindimensionale Größe genauer regressiert werden kann als die zweidimensionalen und dreidimensionalen Vektoren und Versatzgrößen, die in früheren Arbeiten regressiert wurden. Dies führt zu einer genaueren Lokalisierung der Keypoints. Das Verfahren bildet die Grundlage der vorgeschlagenen RCVPose-Methode zur 6-fach freien (6 DoF) Pose-Schätzung von 3D-Objekten in RGB-D-Daten, die insbesondere bei der Bearbeitung von Okklusionen effektiv ist. Ein CNN wird trainiert, um den Abstand zwischen dem 3D-Punkt, der dem Tiefenmodus jedes RGB-Pixels entspricht, und einem Satz von 3 weit verteilten Keypoints im Objektkoordinatensystem zu schätzen. Bei der Inferenz wird eine Kugel mit Radius gleich diesem geschätzten Abstand um jeden 3D-Punkt generiert. Die Oberflächen dieser Kugeln stimmen ab, um einen 3D-Akkumulatorraum zu inkrementieren, dessen Spitzen die Keypoint-Lokationen anzeigen. Das vorgeschlagene radiale Voting-Verfahren ist genauer als frühere Vektor- oder Versatzverfahren und robust gegenüber weit verteilten Keypoints. Experimente zeigen, dass RCVPose hochgenau und wettbewerbsfähig ist und Stand-of-the-Art-Ergebnisse auf den Datensätzen LINEMOD (99,7 %) und YCB-Video (97,2 %) erzielt. Insbesondere erreicht es auf dem anspruchsvollen Occlusion LINEMOD-Datensatz um +4,9 % höhere Werte (71,1 %) als frühere Methoden und durchschnittlich bessere Ergebnisse als alle anderen veröffentlichten Ergebnisse des BOP-Benchmarks für diese drei Datensätze. Unser Code ist unter http://www.github.com/aaronwool/rcvpose verfügbar.