La estimación de pose en seis dimensiones para objetos no Lambertianos, como piezas metálicas, es esencial en la fabricación inteligente. Los métodos actuales prestan mucha menos atención a la influencia del problema de reflexión de superficie en la estimación de pose 6D. En este artículo, proponemos una red de estimación de pose 6D consciente de la reflexión basada en atención cruzada (CAR6D) para resolver el problema de reflexión de superficie en la estimación de pose 6D. Utilizamos una estructura de red pseudo-Siamés para extraer características tanto de una imagen RGB como de un modelo 3D. Las capas de atención cruzada están diseñadas como un filtro bidireccional para cada una de las entradas (la imagen RGB y el modelo 3D) para centrarse en calcular las correspondencias de los objetos. La red se entrena para segmentar el área de reflexión del área del objeto. Las imágenes de entrenamiento con etiquetas de verdad fundamental del área de reflexión se generan con un método de renderizado basado en la física. Los resultados experimentales en un conjunto de datos 6D de piezas metálicas demuestran la superioridad de CAR6D en comparación con otros modelos de última generación.