机器人抓取
位姿结果可以转成末端执行器目标，帮助机械臂选择抓取点、避开碰撞并完成放置任务。
MVP Content
从几何直觉到研究文献
首版聚焦五个核心入口：建立 6D 位姿的数学直觉，理解主流方法如何恢复姿态，读懂常见数据集与指标，再把周边研究方向和论文沉淀成可检索的知识库。
Knowledge System
知识体系
从刚体几何、坐标系、相机模型和 PnP 出发，连接数据标注、视觉 SLAM、机器人标定与抓取操作。
Methods
方法分类
从模板、关键点、2D-3D 对应、稠密对应到合成数据和 foundation model，按输入输出和失败模式组织方法。
Datasets
数据集与评测
对比 LINEMOD、YCB-Video、T-LESS 与 BOP，并解释 ADD、ADD-S、VSD、MSSD、MSPD 和 AR。
Directions
研究地图
从 6D pose 出发，连接视觉定位、特征匹配、开放词汇感知、3D 表示、机器人操作、VLA 和世界模型。
Paper Atlas
研究文献库
按研究方向、发表时间、会议期刊、CCF 等级、数据集、指标、作者单位和开源状态筛选论文，并进入详情页。
Applications
为什么这个问题重要
当系统能稳定估计物体在相机坐标系中的三维位姿，就可以把感知结果连接到真实世界的抓取、装配、检测和增强显示。
AR 与数字孪生
虚拟模型需要和真实物体对齐，稳定的 6D pose 是叠加、测量和交互的基础。
工业检测
零件姿态可以用于判断装配是否到位、方向是否正确，以及是否存在漏装或错装。
场景理解
相比 2D 检测框，6D pose 给出更完整的空间关系，适合后续规划、推理和仿真。
Learning Path
推荐学习路线
不要一开始就陷入模型细节。先把投影几何、坐标变换和评价指标弄清楚，再看网络结构会更稳。
- 1. 相机模型与坐标系
理解像素、相机坐标、物体坐标之间如何通过内参和外参连接。
- 2. 2D-3D 对应与 PnP
掌握从关键点或对应关系恢复姿态的经典几何流程。
- 3. 深度网络与位姿细化
比较直接回归、dense correspondence、RGB-D ICP 和位姿细化的取舍。
- 4. BOP 风格评测
用统一指标观察可见性、对称性和投影误差，而不是只看单一数值。