摘要
从单目RGB图像帧中可靠地估计类人机器人身体构型，对于交通、物流和服务机器人环境中的外部监控具有重要价值。然而，直接迁移人体姿态模型面临诸多挑战，包括身体比例差异、刚性表面外观差异、关节形态差异以及局部纹理差异，而机器人专用标注数据往往有限。本研究提出了一种基于检测引导的单目视频帧全身二维关键点估计框架。首先使用机器人专用检测器定位目标，然后将检测框进行扩展和归一化处理，形成局部感兴趣区域（ROI）用于关键点恢复。该方法不将任务视为直接坐标回归，而是采用ResNet18进行特征提取，结合卷积块注意力模块（CBAM）进行特征细化，基于热图的关键点表示，以及基于可微空间到数值变换（DSNT）的连续坐标解码，并引入骨架感知正则化。研究定义了一套紧凑的13关键点标注协议，用于描述头部、肩部、肘部、手部、臀部、膝盖和足部。在留出的测试集上，所提模型相比ResNet18直接回归基线，将平均单关节位置误差（MPJPE）从27.98像素降低至15.49像素，并将对象关键点相似度（OKS）从0.80提升至0.96。在相同的13关键点协议下，所提模型的MPJPE还低于带有检测器ROI输入的YOLOv8-Pose微调模型（18.85像素）和HRNet-W18（30.82像素）。直接使用COCO预训练YOLOv8-Pose的表现则大幅逊色，MPJPE为201.50像素，OKS仅为0.28。这些结果表明，在所评估的有限数据条件下，机器人专用的局部空间建模和连续坐标恢复对于单目类人机器人关键点估计是有效的。
