# foundationpose

> 权威词条地址：https://robotics.hellobike.com/models/nvidia-foundationpose
> 所属分类：models | 最近核验日期：2026-09-15 | 技术层级：L7

## 核心摘要

nvidia 在 Hugging Face 发布的机器人模型，基于 tensorrt。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/nvidia/foundationpose"}] |
| `updated` | 2026-09-15 |
| `vendor` | nvidia |
| `family` | other |
| `architecture` | LeRobot / PyTorch Policy Network |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | other |
| `weights_license` | other |
| `data_formats` | ["ONNX", "TensorRT"] |
| `status` | research |
| `hub_id` | nvidia/foundationpose |
| `hub_stats` | {"downloads": 846, "likes": 15, "as_of": "2026-10-26"} |
| `overview_sources` | ["https://huggingface.co/nvidia/foundationpose"] |

## 技术详解与生态说明

FoundationPose 是用于 6-DoF 物体位姿估计与跟踪的统一基础模型。给定新物体的 CAD 模型后，可在测试时直接应用且不需要微调；输入包括 RGB 图像、深度图、首帧目标 2D bounding box、OBJ 格式 CAD 模型和相机内参，输出带 3D 框与 6-DoF 轴的测试图像以及平移、旋转和位姿分数。

模型采用基于 Transformer 的网络架构，包含 refine net 和 score net。refinement 网络用共享 CNN 编码器处理两路 RGBD 输入，并经残差 CNN、patch token 与 Transformer 编码器预测平移和旋转更新；score net 使用相同骨干提取特征，并通过多头自注意力做位姿排序。训练数据为 NVIDIA Omniverse/Isaac Sim 生成的纯合成数据，基于 Objaverse 和 GSO。

评估使用同一训练模型和配置、无需微调，在 Occluded-LINEMOD、TLESS、YCB-Video 等数据集上报告 RGBD 方法结果。模型提供 Deployable_v1.0 解密 ONNX 文件，可在 TAO Triton Apps 中推理，推理引擎为 TensorRT，许可为 NVIDIA Open Model License；性能表仅覆盖模型推理，不代表集成视频流、预处理和后处理后的端到端性能。

## 原始核验来源 (Sources)

- [Hugging Face nvidia/foundationpose](https://huggingface.co/nvidia/foundationpose)