物体六维姿态估计目的在于从图像识别特定目标物体,然后预测物体相对于模型坐标系的位置和朝向。估计出的物体姿态可以应用到很多实际任务中,比如机器人操作、自动驾驶,和增强现实。随着深度学习近些年来的快速发展,基于深度学习的方法已经主导了物体六维姿态估计领域。基于深度学习的物体六维姿态估计算法需要大量的带标注训练数据,然而,对数据的采集和标注是非常昂贵的,对于物体六维姿态估计来说更是如此,原因在于标注物体六维姿态需要在三维空间上做匹配。因此,使用合成数据进行训练是一个值得研究的方向。本文提出一个为物体六维姿态估计任务优化的统一化数据合成流程。通过将虚拟场景生成、渲染环境搭建、标注合成,以及数据存储有机地结合起来,我们提出的数据合成流程可以为各类任务场景提供大量带标注合成数据。并且,得益于物理仿真器和现代化渲染引擎,通过该合成流程生成的数据是基于物理约束的和视觉逼真的。为了提高神经网络在使用大量合成数据辅助训练时的准确率,本文提出了一种边缘注意机制。通过引导网络预测一个归一化的边缘图,我们强制网络关注低层次几何特征。本文提出的边缘注意机制也可以提高在遮挡场景下算法的表现。结合合成数据和边缘注意机制,我们的方法在仅仅使用RGB的情况下,在Linemod数据集上的ADD（-S）平均准确率达到了96%,比GDR-Net高了2.5%,同时,比Densefusion的迭代优化版本（基于RGBD）提升了1.9%。我们使用在Linemod数据集上训练的网络模型在LM-O数据集上进行测试,达到了53.6%的准确率,比专门在LM-O数据集上训练的GDR-Net算法提升了0.6%。当完全使用合成数据进行训练的情况下,算法会因为域漂移问题导致准确率急速下降。因此,本文将域随机化技术集成进我们提出的数据合成流程,并进一步研究不同的域随机化手段对网络性能的影响。通过选择合适的域随机化技术,在仅仅使用合成数据训练的情况下,我们的基于RGB的方法在Linemod和LM-O数据集上分别达到72.8%和47.5%的准确率,超过使用RGBD作为输入的Self6d 13.9%和15.4%。为了利用无标注的真实数据中的信息,从ICP算法得到启发,本文提出了一种新的自监督学习框架。通过在合成数据上训练深度估计网络,网络可以对真实样本预测深度图。预测出的深度图除了可以用来提升姿态估计网络的表现之外,还可以用来做自监督学习训练。自监督学习的目标是缩小预测的深度图和用估计的姿态转换之后的物体点云之间的距离。本文提出的自监督学习框架将Linemod数据集上的准确率从72.8%提升到78.1%。