Fast Pose Tracking of Rigid Objects with Compact Pose Graph Optimization
作者: Xiaojie Zhang, Tom Fischer, Viktor Larsson, Eddy Ilg
分类: cs.CV
发布日期: 2026-10-08
💡 一句话要点
提出轻量级跟踪模块以解决长时间物体姿态跟踪问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 物体姿态跟踪 轻量级优化 相对姿态约束 机器人操作 增强现实 实时跟踪
📋 核心要点
- 现有的物体姿态跟踪方法在长时间跟踪中面临昂贵的初始化和重建维护问题，导致其实用性不足。
- 本文提出了一种轻量级跟踪模块，基于相对姿态约束进行优化，避免了基于点的优化，从而提高了运行效率。
- 在四个真实世界基准测试中，本文的方法在优化成本上显著低于传统重建跟踪器，同时保持了相似的跟踪精度。
📝 摘要（中文）
在长时间内跟踪新物体的6D姿态通常需要昂贵的初始化或在整个序列中维护重建，这使得现有跟踪器在机器人操作和增强现实中不够实用。本文展示了一种轻量级跟踪模块，可以在多种对应估计方法之上应用，以保持漂移在可控范围内，同时保持快速运行时间。我们的关键思想是避免在姿态图中进行基于点的优化，仅操作相对姿态约束，并通过几何对齐推导的不确定性进行加权。这使得优化与对应点的数量无关，同时避免直接包含噪声点测量，从而实现快速且稳健的长期跟踪。在四个真实世界基准测试中，我们的方法在优化成本的很小一部分下，达到了与基于重建的跟踪器相当的跟踪精度。总体而言，这些结果表明，紧凑且可靠的姿态图优化可以在显著降低计算成本的情况下提供长期一致性。
🔬 方法详解
问题定义：本文旨在解决在长时间内跟踪新物体的6D姿态时，现有方法需要昂贵的初始化或重建维护的问题。这些方法在机器人操作和增强现实中显得不够实用。
核心思路：论文的核心思路是引入轻量级跟踪模块，避免基于点的优化，仅依赖相对姿态约束进行优化。这种设计使得优化过程不受对应点数量的影响，并且能够有效处理噪声点测量。
技术框架：整体架构包括一个轻量级跟踪模块，该模块在多种对应估计方法之上运行。主要流程包括相对姿态约束的生成、加权优化和姿态更新。
关键创新：最重要的技术创新在于通过几何对齐推导的不确定性来加权相对姿态约束，从而实现快速且稳健的长期跟踪。这一方法与现有基于点的优化方法本质上不同。
关键设计：在参数设置上，本文通过几何对齐推导的不确定性来加权约束，避免了直接使用噪声点测量。此外，优化过程的设计使得其与对应点数量无关，从而提高了效率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，本文的方法在四个真实世界基准测试中，跟踪精度与传统基于重建的跟踪器相当，但优化成本仅为其一小部分，显示出显著的性能提升和计算效率。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、增强现实和虚拟现实等场景，能够为这些领域提供实时、可靠的物体姿态跟踪解决方案。随着技术的进步，未来可能会在更多的自动化和智能系统中得到应用，提升其智能化水平和用户体验。
📄 摘要（原文）
Tracking a novel object's 6D pose over long horizons currently requires either expensive onboarding or a reconstruction maintained throughout the sequence. This makes current trackers impractical for robotic manipulation and augmented reality, which need trackers that are ready to use and run in real time. We show that a lightweight tracking module can be applied on top of a wide range of correspondence estimation methods to keep drifts bounded while maintaining fast runtime. Our key idea is to avoid point-based optimization in the pose graph and operate only on relative pose constraints, which we weight by a derived uncertainty from the geometric alignment. This makes optimization independent of the number of correspondences while avoiding the direct inclusion of noisy point measurements, leading to fast and robust long-term tracking. Across four real-world benchmarks, our approach achieves tracking accuracy comparable to reconstruction-based trackers with a fraction of the optimization cost. Overall, these results suggest that a compact and reliable pose graph optimization can provide long-horizon consistency at substantially lower computational cost.