位姿跟踪

Pose Tracking进阶

在连续视频帧里持续估计物体的 3D 位置和朝向。

位姿指物体的 3D 位置加 3D 朝向，共 6 个自由度，所以也叫 6D 位姿。6D 位姿估计通常对单帧从零算出位姿；位姿跟踪则利用上一帧的结果，在新一帧里只做小幅修正，因此更快、更平滑，适合实时闭环控制。英伟达的 FoundationPose（CVPR 2024 Highlight）把估计和跟踪统一在一个框架里：输入 RGB-D 图像，对没见过的物体只需 CAD 模型或少量参考图，用「渲染-比较」迭代细化位姿。机器人抓取移动物体、手内调整物体、视觉伺服时都依赖它；物体被遮挡或运动过快时容易跟丢，需要重新做全局估计。SLAM 里估计相机自身位姿也叫跟踪，对象不同。