[LiteratureReview]Optimal and Robust Category-level Perception: Object Pose and Shape Estimation f

Paper：https://arxiv.org/pdf/2206.12498.pdf
Video：https://www.bilibili.com/video/BV17G411h7pC

Code：GitHub - MIT-SPARK/CertifiablyRobustPerception: Certifiable Outlier-Robust Geometric Perception

出处：arXiv 2022 MIT SPARKlab组（advised by Professor Luca Carlone），一作Jingnan Shi，正文18页共34页。

工作简述：对于某一个类别的Object，采用一种标准的模型去描述这个Object类，作者提出了一个标准公式，通过非凸优化从2D或3D关键点估计位姿和形状。

贡献点：

• 第一个贡献：开发了PACE3D*and PACE2D*，首先证明使用3D和2D关键点进行位姿和形状估计的求解器是最优的，两种求解方法都依赖于紧(即精确)半定松弛（semidefinite relaxations）的设计。
• 第二个贡献：开发了两个外点鲁棒（outlier-robust）求解器版本，称为PACE3D# 和 PACE2D#，同时提出了一个通用的图论框架ROBIN来去除异常值，该框架使用兼容性超图（compatibility hypergraphs）来测量兼容性。
• 第三个贡献：最后是做了大量的实验评估，除了提供在仿真数据集和PASCAL3D+数据集上的消融实验外，作者将他们提出的求解器与深度关键点检测器相结合，并表明PACE3D#在ApolloScape数据集中改善了车辆位姿估计的现状，其运行时与实际应用兼容。