基于多视图图像和超分辨率关键点检测网络的精确机器人手臂态度估计
Ling Zhou1, Ruilin Wang1, Liyan Zhang1
1College of Mechanical & Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究介绍了一种使用多视图图像的两阶段机器人手臂态度估计方法. 它在关键点检测和联合角度估计方面实现了高精度,减少了用于智能工业应用的数据收集工作.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 机器人手臂监控对于智能工业自动化至关重要.
- 准确估计机器人手臂的姿势对于精确的控制和操作至关重要.
- 现有的方法可能会面临数据采集和概括方面的挑战.
研究的目的:
- 通过使用多视图图像,提出一种新的两阶段方法来估计机器人手臂的姿态.
- 为了提高关键点检测准确度和降低计算负载.
- 为了实现精确的关节角度估计,减少对现实世界的数据的依赖.
主要方法:
- 一个超高分辨率关键点检测网络 (SRKDNet) 具有子像素卷积模块用于高分辨率热图生成.
- 一个结合虚拟和真实数据的培训策略,以提高概括性.
- 一个粗细的双SRKDNet检测机制,用于精细的关键点定位.
- 集成相机和机器人动力模型的方程系统,以基于信心的关键点选为态度估计.
主要成果:
- 在真正的机器人手臂上实现了96.07%的关键点检测准确度 (PCK@0.15).
- 在UR10机器人手臂上使用三种视图显示了0.53度的平均关节角度估计误差.
- 与现有方法相比,拟议的方法显示出优越的性能.
结论:
- 两阶段方法有效地从多视图图像中估计机器人手臂的姿势.
- SRKDNet和基于信任的选计划显著提高了准确性和效率.
- 该方法为智能工业场景中的机器人手臂监控提供了实际解决方案.
