wenbowen123/foundationpose Docker 镜像 - 轩辕镜像 | Docker 镜像高效稳定拉取服务

FoundationPose

FoundationPose: 统一的6D物体姿态估计与跟踪基础模型

![Paper]([] ![Website]([]

这是我们在CVPR 2024（Highlight）论文的官方实现。

贡献者: Bowen Wen, Wei Yang, Jan Kautz, Stan Birchfield

功能特性

我们提出了FoundationPose，一个用于6D物体姿态估计和跟踪的统一基础模型，支持基于模型和无模型两种设置。只要给定物体的CAD模型，或捕获少量参考图像，我们的方法可以在测试时立即应用于新物体，无需微调。我们通过神经隐式表示桥接这两种设置之间的差距，允许有效的新视角合成，保持下游姿态估计模块在同一统一框架下的不变性。通过大规模合成训练、大语言模型（LLM）辅助、基于Transformer的新架构和对比学习公式，实现了强大的泛化能力。在涉及挑战性场景和物体的多个公共数据集上的广泛评估表明，我们的统一方法大幅优于专门针对每个任务的现有方法。此外，尽管假设减少，它甚至达到了与实例级方法相当的结果。

主要特点

• 统一的6D姿态估计和跟踪框架
• 支持基于模型（CAD模型）和无模型（少量参考图像）两种设置
• 无需微调即可应用于新物体
• 神经隐式表示实现有效的新视角合成
• 大规模合成训练实现强泛化能力
• 基于Transformer的架构和对比学习

成就

• 🥇 世界BOP排行榜第一名（截至2024/03）用于基于模型的新物体姿态估计
• 🤖 ROS版本: 请查看 Isaac ROS Pose Estimation，享受TRT快速推理和C++加速

演示

机器人应用

机器人操作演示展示了FoundationPose在实际机器人任务中的应用。

AR应用

增强现实应用演示展示了在AR场景中的实时姿态跟踪能力。

YCB-Video数据集结果

在YCB-Video数据集上的跟踪结果展示了方法的有效性。

数据准备

下载网络权重

从这里下载所有权重文件，并将它们放在weights/文件夹下。

• Refiner: 需要 2023-10-28-18-33-37
• Scorer: 需要 2024-01-11-20-02-45

下载演示数据

下载演示数据并解压到demo_data/文件夹下。

可选：下载训练数据

• [可选] 下载我们的大规模训练数据："FoundationPose Dataset"
• [可选] 下载我们预处理的参考视图以运行无模型少样本版本

环境设置

选项1：Docker（推荐）

bash
cd docker/
docker pull wenbowen123/foundationpose && docker tag wenbowen123/foundationpose foundationpose
# 或者从头构建：docker build --network host -t foundationpose .
bash docker/run_container.sh

首次启动容器时，需要构建扩展。在Docker容器内运行以下命令：

bash
bash build_all.sh

之后您可以进入容器而无需重新构建：

bash
docker exec -it foundationpose bash

对于较新的GPU（如4090），请参考此链接。简而言之，执行以下操作：

bash
docker pull shingarey/foundationpose_custom_cuda121:latest

然后修改bash脚本以使用此镜像而不是foundationpose:latest。

选项2：Conda（实验性）

设置Conda环境

bash
# 创建conda环境
conda create -n foundationpose python=3.9

# 激活conda环境
conda activate foundationpose

# 在conda环境下安装Eigen3 3.4.0
conda install conda-forge::eigen=3.4.0
export CMAKE_PREFIX_PATH="$CMAKE_PREFIX_PATH:/eigen/path/under/conda"

# 安装依赖
python -m pip install -r requirements.txt

# 安装NVDiffRast
python -m pip install --quiet --no-cache-dir git+[***]

# Kaolin（可选，运行无模型设置时需要）
python -m pip install --quiet --no-cache-dir kaolin==0.15.0 -f [***]

# PyTorch3D
python -m pip install --quiet --no-index --no-cache-dir pytorch3d -f [***]

# 构建扩展
CMAKE_PREFIX_PATH=$CONDA_PREFIX/lib/python3.9/site-packages/pybind11/share/cmake/pybind11 bash build_all_conda.sh

运行基于模型的演示

路径已在argparse中默认设置。如果需要更改场景，可以相应地传递参数。在演示数据上运行，您应该能够看到机器人操作芥末瓶。姿态估计在第一帧进行，然后自动切换到跟踪模式处理视频的其余部分。结果可视化将保存到argparse中指定的debug_dir。（注意首次运行可能由于在线编译而较慢）

bash
python run_demo.py

可以自由尝试其他物体（无需重新训练），例如driller，通过更改argparse中的路径。

在公共数据集上运行（LINEMOD、YCB-Video）

为此，您首先需要下载LINEMOD数据集和YCB-Video数据集。

运行基于模型版本

在这两个数据集上分别运行基于模型版本，根据下载位置设置路径。结果将保存到debug文件夹。

bash
python run_linemod.py --linemod_dir /path/to/LINEMOD --use_reconstructed_mesh 0

python run_ycb_video.py --ycbv_dir /path/to/YCB_Video --use_reconstructed_mesh 0

运行无模型少样本版本

首先需要训练Neural Object Field。ref_view_dir基于上述"数据准备"部分的下载位置。将数据集标志设置为您感兴趣的数据集。

bash
python bundlesdf/run_nerf.py --ref_view_dir /path/to/ref_views_16 --dataset ycbv

然后运行与基于模型版本类似的命令，但有一些小的修改。这里我们使用YCB-Video作为示例：

bash
python run_ycb_video.py --ycbv_dir /path/to/YCB_Video --use_reconstructed_mesh 1 --ref_view_dir /path/to/ref_views_16

故障排除

• 对于较新的GPU（如4090）: 请参考此链接
• 在Windows上设置: 请参考此链接
• 如果得到不合理的结果: 请检查此链接和此链接

训练数据下载

我们的训练数据包括使用来自GSO和Objaverse的3D资产渲染的场景，具有高质量照片级真实感和大域随机化。每个数据点包括RGB、深度、物体姿态、相机姿态、实例分割、2D边界框。Google Drive

解析相机参数（包括外参和内参）

python
glcam_in_cvcam = np.array([[1,0,0,0],
                        [0,-1,0,0],
                        [0,0,-1,0],
                        [0,0,0,1]]).astype(float)

W, H = camera_params["renderProductResolution"]
with open(f'{base_dir}/camera_params/camera_params_000000.json','r') as ff:
  camera_params = json.load(ff)

world_in_glcam = np.array(camera_params['cameraViewTransform']).reshape(4,4).T
cam_in_world = np.linalg.inv(world_in_glcam)@glcam_in_cvcam
world_in_cam = np.linalg.inv(cam_in_world)

focal_length = camera_params["cameraFocalLength"]
horiz_aperture = camera_params["cameraAperture"][0]
vert_aperture = H / W * horiz_aperture
focal_y = H * focal_length / vert_aperture
focal_x = W * focal_length / horiz_aperture
center_y = H * 0.5
center_x = W * 0.5

fx, fy, cx, cy = focal_x, focal_y, center_x, center_y
K = np.eye(3)
K[0,0] = fx
K[1,1] = fy
K[0,2] = cx
K[1,2] = cy

注意事项

由于Stable-Diffusion在LAION数据集上训练的***限制，我们无法发布基于扩散的纹理增强数据，也无法发布使用它训练的预训练权重。因此，我们发布了未在扩散增强数据上训练的版本。预期会有轻微的性能下降。

引用

如果您使用此代码，请引用我们的论文：

bibtex
@InProceedings{foundationposewen2024,
  author        = {Bowen Wen, Wei Yang, Jan Kautz, Stan Birchfield},
  title         = {{FoundationPose}: Unified 6D Pose Estimation and Tracking of Novel Objects},
  booktitle     = {CVPR},
  year          = {2024},
}

如果您发现无模型设置有用，请同时考虑引用：

bibtex
@InProceedings{bundlesdfwen2023,
  author        = {Bowen Wen and Jonathan Tremblay and Valts Blukis and Stephen Tyree and Thomas M"{u}ller and Alex Evans and Dieter Fox and Jan Kautz and Stan Birchfield},
  title         = {{BundleSDF}: {N}eural 6-{DoF} Tracking and {3D} Reconstruction of Unknown Objects},
  booktitle     = {CVPR},
  year          = {2023},
}

致谢

我们要感谢Jeff Smith帮助代码发布；NVIDIA Isaac Sim和Omniverse团队对合成数据生成的支持；Tianshi Cao的宝贵讨论。最后，我们也感谢CVPR审稿人和AC提出的积极反馈和建设性建议。

许可证

代码和数据在NVIDIA源代码许可证下发布。版权所有 © 2024，NVIDIA Corporation。保留所有权利。

联系方式

如有问题，请联系Bowen Wen。