近年来,随着计算机技术和视觉传感器的发展,二维视觉逐渐延伸至三维空间,目标6D位姿估计技术开始成为视觉研究领域的研究热点。本文主要研究内容:一是创建完整的三维数据集,二是构建完整的位姿估计系统,三是在复杂环境中利用低成本视觉传感器取得最优位姿估计效果。在视觉传感器的选择上,本文选用成本较低的双目相机并利用双目视觉获取图像数据,利用三维表面重建技术来构造三维模型进而建立完整数据集,该数据集用于基于关键点投票的6D位姿估计网络的训练和验证,在位姿测试中通过人为施加扰动和遮挡来评价训练模型的效果。针对三维开源数据集种类和数量稀少、三维标注困难以及数据格式复杂等问题,本文利用双目立体视觉、点云配准和三维表面重建技术对真实环境下的目标物体建立完整的数据集。深度信息的获取需要利用相机标定、立体校正和立体匹配获取视差图,再经过转换获取深度图。三维表面重建需要先利用Ar Uco码检测位姿,获取点云数据、点云配准,然后对点云数据进行法线顶点的建立、泊松重建、孔洞填补等过程生成网格化模型,根据模型获取蒙版和关键点标签,最终建立完整的三维数据集。为了解决旋转空间的非线性问题,本文分为两个阶段来构建基于关键点投票的6D位姿估计网络。第一阶段主要通过基于残差结构的主干网络执行语义分割和向量场预测两类任务,利用随机抽样一致算法对每个像素的预测向量进行关键点假设,并根据假设的关键点进行投票选出8个2D关键点。第二阶段是根据三维模型中预设的3D关键点找到与2D关键点的映射关系,最后通过Pn P算法进行位姿求解,最终获取目标6D位姿。本文对扁平包装盒、立体包装盒、椭圆包装盒和塑料软管包装盒构建三维数据集并进行位姿估计网络的训练,经验证模型的平均ADD指标为97.01%,平均2D Projection指标为94.78%。除了在测试集中完成模型测试之外,本文还对目标物体施加包括复杂场景、手部遮挡以及图像残缺等扰动,实验验证了6D位姿估计方法的有效性和鲁棒性。