该研究提出了一种用于模拟动态图的概率框架，包括对边模型的参数化和非参数模型的建模，以及如何估算物体运动的结构和运动学模型以及其在机器人操作和移动操作中的应用。

Jan, 2014

提出了一种基于多视角视野的实时视觉系统，可以从单个 RGB-D 视角提出三维物体姿态建议，并且根据多个视角的姿态估计和非参数占用信息积累这些姿态估计，从而对接触的多个已知对象进行一致的、不相交的姿态估计。应用于实时机器人应用程序中，只使用机载 RGB-D 视觉，机械臂可以精确而有序地拆卸复杂的物体堆放，展示了其准确性和鲁棒性。

Apr, 2020

本篇研究提出了一种基于概率滤波方法的实时、精确估算机器人末端执行器的相机坐标系下位置的方法，并且避免了在与视觉目标的跟踪方法组合时需要进行帧变换的问题。通过建模和纠正测量误差和机器人模型不准确性，在卡尔曼滤波测量的基础上进行基于坐标粒子滤波的异步深度图像更新，使搜索所需的计算量更少。作者在真实机器人平台上进行了定量评估，并通过开放源代码的方式公开了数据集和算法，以便与其他方法进行比较。

Oct, 2016

本文提出了一种利用动态贝叶斯网络进行物体 6 自由度姿态追踪的方法，在观测时考虑了物体本身和周围环境对物体的遮挡，并使用 Rao-Blackwellised 粒子滤波器实现实时姿态估计。

May, 2015

该文提出了一种基于 Rao-Blackwellized 粒子滤波方法的 6D 目标姿态跟踪算法 PoseRBPF，该算法通过旋转和平移的分解实现了对对象 3D Translation 的有效估计，并且在对旋转空间精细离散方式下进行了特征嵌入的自编码神经网络的训练以获得特征嵌入代码本，以实现对任意对称对象的跟踪并仍保持足够的后验分布。该方法在两个 6D 姿态估计基准测试上实现了最先进的结果。

May, 2019

通过学习估计接合参数并处理噪点云，我们提出了一个用于关节式物体的稳健感知和操纵的框架，通过局部特征学习和点元组投票的方式，我们的主要贡献是一种稳健的关节网络（RoArtNet），有效地预测关节参数和可负担点，此外，我们引入了一种关节感知的分类方案来增强其模拟到真实场景的能力，最终，通过估计可负担点和关节约束，机器人可以生成稳健的动作来操纵关节式物体，实验证实我们的方法在噪声添加的模拟和真实环境中达到了最新水平的性能。

Mar, 2024

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

本研究提出了一种基于神经增强信念传播的多目标跟踪方法，NEBP 通过学习原始感应器数据中的信息改进了传统基于统计模型的贝叶斯 MOT 方法，提高了跟踪性能和灵敏性.

Dec, 2022

通过使用第一次观测的隐式模型学习对象的几何和外观部分，并通过渲染第二次观测来蒸馏部分分割和关节运动，我们提出了一种新的无监督方法来学习刚性部分组成的关节对象的姿势和部分分割。此外，为了解决部分分割和关节运动的联合优化中的复杂性，我们提出了基于体素网格的初始化策略和解耦优化过程。与先前的无监督方法相比，我们的模型性能显著提高，且适用于具有多个部分的对象，且对后续观测可以高效地进行少数视图的操作。

Jun, 2024

使用深度卷积神经网络和图形模型，从单个静态图像中估计人的关节姿势，利用局部图像测量，定义图形模型并尝试预测它们之间的空间关系，从而充分利用图像相关联的先验知识。

Jul, 2014