深度贝叶斯辅助关键点检测用于组装自动化中的姿势估计
Debo Shi1, Alireza Rahimpour2, Amin Ghafourian3
1Department of Electrical and Computer Engineering, University of California Davis, Davis, CA 95616, USA.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
本研究引入了一种使用深度学习和贝叶斯更新的新型姿势估计方法,以提高组装自动化准确性. 这种方法完善了关键点检测,提高了机器人组装任务的性能,而不需要大量的数据或专业知识.
科学领域:
- 机器人和自动化机器人与自动化
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的姿势估计对于自动化组装任务至关重要,但仍然具有挑战性和部件特定.
- 现有的方法往往需要大量的培训数据和特定零件的定制,限制生产环境中的可扩展性.
研究的目的:
- 介绍一种新的,精简的姿势估计方法,用于增强组装自动化.
- 为了提高工业装配任务的位置估计的准确性和适应性.
主要方法:
- 在有限的注释图像上使用深度学习来识别组装部件的关键点.
- 包含贝叶斯更新阶段,利用零件设计知识来改进网络输出.
- 使用高质量的关键点位置作为测量和网络输出作为先验,用几何数据来构建概率函数.
主要成果:
- 通过对关键点位置的贝叶斯精细化,显著提高了姿势估计的准确性.
- 对于福特野马仪表板的14点快速配合仪表盘装饰组件,证明了有希望的结果.
- 通过使用最大后期 (MAP) 估计,实现了准确的姿势估计,以更新名义组装轨迹.
结论:
- 拟议的方法提供了一个可扩展和可适应的解决方案,用于组装自动化中的定位估计.
- 它减少了对广泛机器学习专业知识和大型数据集的需求,使其成为生产车间的实用性.
- 这种方法有效地改进了构成估计,使得自动装配过程更强大,更准确.
关键词:
在这里,我们可以看到AIAIAI.组装自动化 组装自动化卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.关键点检测检测的关键点检测制造自动化生产自动化构成估计估计的估计.机器人操纵机器人的操纵机器人技术 机器人工程 机器人工程更多相关视频
05:41A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
Published on: February 6, 2020
9.5K
06:32Author Spotlight: Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring
Published on: July 14, 2023
1.3K
