6DoF位姿估计的度量标准

1. ADD 参考 Model Based Training, Detection and Pose Estimation of Texture-Less 3D Objects in Heavily Cluttered Scenes - hinterstoisser2012accv

针对非对称物体：Average Distance 已知Ground turth [ R ∣ T ] m [R|T] [R∣T] 以及预测结 [ R p ∣ T p ] m [R_p| T_p] [Rp∣Tp]，用这两个数据对模型点云进行变换，然后求出每个对应点距离的平均值。 A D D = 1 m ∑ x ∈ m o d e l ∣ ∣ ( R x + T ) − ( R p x + T p ) ∣ ∣ m ADD=frac{1}{m}sum_{xin{model}}||(Rx+T) - (R_px+T_p) || ADD=m1x∈model∑∣∣(Rx+T)−(Rpx+Tp)∣∣ 如果计算出来的ADD小于某一个设定的阈值（PoseCNN等工作中，阈值为10%*model_diameter），则预测位姿被认为是正确的。 ADD-S 针对“对称物体” 对于对称物体，预测出来的和标注的值在旋转轴上可能会相差较大，然而并不一定代表实际的效果不好。 A D D − S m ADD-S ADD−S使用最近点计算距离，最近距离可由快速搜索算法knn等计算。 A D D − S = 1 m ∑ x 1 ∈ m o d e l min ⁡ x 2 ∈ m o d e l ∣ ∣ ( R x 1 + T ) − ( R p x 2 + T p ) ∣ ∣ m ADD-S=frac{1}{m} sum_{x_1in{model}} min limits_{x_2in{model}} ||(Rx_1+T) - (R_px_2+T_p) || ADD−S=m1x1∈model∑x2∈modelmin∣∣(Rx1+T)−(Rpx2+Tp)∣∣ 计算代码（用到了knn,参考DenseFusion的评测代码）

# 对称物体
if idx[0].item() in sym_list:  
            target = target[0].transpose(1, 0).contiguous().view(3, -1)
            pred = pred.permute(2, 0, 1).contiguous().view(3, -1)
            inds = knn(target.unsqueeze(0), pred.unsqueeze(0))  # 找到最近邻
            target = torch.index_select(target, 1, inds.view(-1).detach() - 1)
            target = target.view(3, bs * num_p, num_point_mesh).permute(1, 2, 0).contiguous()
            pred = pred.view(3, bs * num_p, num_point_mesh).permute(1, 2, 0).contiguous()
# 非对称物体
dis = torch.mean(torch.norm((pred - target), dim=2), dim=1)  # 对应点求L2范数

3. 重投影误差 将估计后的三维点，重投影到二维图像，计算原图像与重投影图像的差别。 【参考DeepIM】
4. 5度旋转，5cm平移的容忍，小于这个范围就是估计正确，从而转换成01分类问题的度量 【参考DeepIM】
5. 直接计算平移差与欧式角度误差 此方法出现于最近看的部分中文论文。相比之下更加直观。