[发明专利]一种预测刚体6D姿态的神经网络损失函数计算方法及系统

权利要求书

1.一种预测刚体6D姿态的神经网络损失函数计算方法，其特征在于，所述方法包括如下步骤：

使用神经网络从6D姿态的刚体图像中获取图像特征；

计算所述图像特征对应的真实值与网络预测值之间的欧式距离；

通过比较所述欧式距离与预设阈值的大小，判定图像中刚体样本类别，确定各类样本之间的样本损失函数；

为所述样本添加权重相关因子，并采用神经网络反向传播算法，通过带权重的样本损失函数，更新神经网络参数。

2.如权利要求1所述的方法，其特征在于，所述使用神经网络从6D姿态的物体图像中获取图像特征包括：将图像样本集中的包含6D姿态的刚体图像输入神经网络进行特征提取，获得所述6D姿态的刚体图像在至少一个网络层级的图像特征。

3.如权利要求1所述的方法，其特征在于，根据下式计算图像特征对应的真实值与网络预测值之间欧式距离：

式中，x为3D点，R与t为真实值对应的旋转矩阵与平移向量，与为预测值的旋转矩阵与平移向量。

4.如权利要求1所述的方法，其特征在于，通过下式比较所述欧式距离与预设阈值的大小：

式中，f表示dis,α,β之间的函数映射关系，α,β为阈值参数。

5.如权利要求1所述的方法，其特征在于，所述各类样本之间的样本损失函数包括：非对称物体姿态的估计损失函数和对称物体姿态的估计损失函数；

其中，通过下式确定非对称物体姿态的估计损失函数：

通过下式确定对称物体姿态估计损失函数：

式中，为非对称物体姿态的估计损失函数，对称物体姿态估计损失函数；x_j为模型点云中的序号为j的3D点，x_k为评估模型上的序号为k的3D点，R与t为真实值对应的旋转矩阵与平移向量，与为预测值得旋转矩阵与平移向量，M为3D点个数。

6.如权利要求1所述的方法，其特征在于，通过下式为所述样本添加权重相关因子：

w_new＝w*e^f(dis,α,β)

式中，样本w为原始权重，w_new为考虑样本难易性后的权重。

7.如权利要求1所述的方法，其特征在于，通过下式确定带权重的样本损失函数：

式中，为带权重的非对称物体姿态的估计损失函数，为带权重的对称物体姿态估计损失函数。

8.一种预测刚体6D姿态的神经网络损失函数计算系统，其特征在于，所述系统包括：

获取模块，用于使用神经网络从6D姿态的刚体图像中获取图像特征；

计算模块，用于计算所述图像特征对应的真实值与网络预测值之间的欧式距离；

预测模块，用于通过比较所述欧式距离与预设阈值的大小，判定图像特征的样本类别，确定各类样本之间的样本损失函数；

更新模块，用于为所述样本添加权重相关因子，并采用神经网络反向传播算法，通过带权重的样本损失函数，更新神经网络参数。