Abstract Estimating Six Degree-of-Freedom (6DoF) poses of known objects that are randomly placed in a cluttered bin is a fundamental task in computer vision and robotics, especially for mechanical parts, which are mostly metallic and texture-less. In this work, we focus on the mechanical parts 6DoF pose estimation, in which objects are always texture-less and occluded between each other. To tackle these problems, we propose a novel 3D descriptor, called BOLD3D, to detect and estimate the 6DoF pose in 3D point clouds. Our key observation is that the edge is one of the most important cues for the objects, especially for texture-less mechanical parts. Thus, we propose to utilize pairs of oriented 3D line segments, which are connected by the edge points in well organization, encoding the local geometric structure of the objects. Specifically, the edge points of the input objects are first extracted from 3D point clouds and then connected in order, after employing a discreetly downsample strategy. We then design an effective approach to normalize the 3D line segments orientation. The local geometric structure is represented by the BOLD3D features, each of which is a five-dimensional vector consisting of a pair of directed line segments. Our algorithm accelerates the poses estimation process, due to only the edges of objects are used. A variety of synthetic and real experiments show that our approach is capable of achieving satisfactory pose results with high accuracy and robustness for mechanical parts 6DoF pose estimation, even in the presence of a complex arrangement.

中文翻译：

---

BOLD3D：用于 6DoF 姿态估计的 3D BOLD 描述符

摘要 估计随机放置在杂乱垃圾箱中的已知物体的六自由度 (6DoF) 姿态是计算机视觉和机器人技术中的一项基本任务，特别是对于机械部件，它们大多是金属和无纹理的。在这项工作中，我们专注于机械部件 6DoF 姿态估计，其中对象始终是无纹理的并且彼此之间被遮挡。为了解决这些问题，我们提出了一种新的 3D 描述符，称为 BOLD3D，用于检测和估计 3D 点云中的 6DoF 姿态。我们的主要观察结果是边缘是物体最重要的线索之一，尤其是对于无纹理的机械部件。因此，我们建议利用成对的定向 3D 线段，这些线段通过井组织中的边缘点连接，对对象的局部几何结构进行编码。具体来说，输入对象的边缘点首先从 3D 点云中提取，然后在采用谨慎的下采样策略后按顺序连接。然后我们设计了一种有效的方法来规范化 3D 线段方向。局部几何结构由BOLD3D特征表示，每个特征是由一对有向线段组成的五维向量。我们的算法加速了姿态估计过程，因为只使用了对象的边缘。各种合成和真实实验表明，即使在存在复杂布置的情况下，我们的方法也能够以高精度和鲁棒性为机械部件 6DoF 姿态估计获得令人满意的姿态结果。在采用谨慎的下采样策略之后。然后我们设计了一种有效的方法来规范化 3D 线段方向。局部几何结构由BOLD3D特征表示，每个特征是由一对有向线段组成的五维向量。我们的算法加速了姿态估计过程，因为只使用了对象的边缘。各种合成和真实实验表明，即使在存在复杂布置的情况下，我们的方法也能够以高精度和鲁棒性为机械部件 6DoF 姿态估计获得令人满意的姿态结果。在采用谨慎的下采样策略之后。然后我们设计了一种有效的方法来规范化 3D 线段方向。局部几何结构由BOLD3D特征表示，每个特征是由一对有向线段组成的五维向量。由于仅使用对象的边缘，我们的算法加速了姿势估计过程。各种合成和真实实验表明，即使在存在复杂布置的情况下，我们的方法也能够以高精度和鲁棒性为机械部件 6DoF 姿态估计获得令人满意的姿态结果。每个都是由一对有向线段组成的五维向量。我们的算法加速了姿态估计过程，因为只使用了对象的边缘。各种合成和真实实验表明，即使在存在复杂布置的情况下，我们的方法也能够以高精度和鲁棒性为机械部件 6DoF 姿态估计获得令人满意的姿态结果。每个都是由一对有向线段组成的五维向量。我们的算法加速了姿态估计过程，因为只使用了对象的边缘。各种合成和真实实验表明，即使在存在复杂布置的情况下，我们的方法也能够以高精度和鲁棒性为机械部件 6DoF 姿态估计获得令人满意的姿态结果。