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。