近日，哈尔滨工业大学教授刘贤明团队在智能领域取得了重要进展，提出了基于隐藏神经网络的6D物体姿势优化方法，显著提高了物体定位的准确性和效率。IEEE机器人汇报发表了相关成果。

6D位置估计(包括3D旋转和3D平移)是机器人抓取和增强现实应用的关键技术。传统方法依靠迭代最近的点算法来提高位置姿势，但迭代最近的点需要显式建立点云与3D模型的对应关系，容易陷入最好的局部位置，对噪音和屏蔽敏感。

针对这个问题，研究团队提出了一个基于隐藏神经网络的提升框架。通过将目标物体的3D模型编码为符号距离场，可以直接提高点云与模型表面的距离，无需显式匹配相应点。这种方法有很多优点:一是效率高，离线训练只需4-5分钟，在线提升即时完成;二是鲁棒性，在初始姿势误差大、噪音、尺度变化、遮挡等复杂场景中表现出色;第三，实用性，可以无缝整合到目前的姿势估计过程中，无需额外标注数据。

该技术可广泛应用于工业机器人精确抓取、自动驾驶环境感知、AR/VR交互等领域。