基于点云的工业部件的6D姿势估计,用于机器人掌握的几何信息预测

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
• 人工智能的人工智能

背景情况:

• 在混乱的环境中,工业机器人抓取面临着诸如照明不良,纹理薄弱和传感器噪声等挑战,导致对象检测和姿势估计不准确.
• 物理物体表面信息的丢失妨碍了可靠的机器人操纵.
• 现有的方法在复杂的现实场景中难以准确.

研究的目的:

• 提出一个改进的工业对象构成估计方法,使用点云数据.
• 为了提高对象检测的准确性,并对机器人手臂抓取操作进行姿势估计.
• 解决当前处理环境变化和传感器噪声的方法的局限性.

主要方法:

• 将RGB图像的外观特征与点云的几何特征集成,以进行全面的特征提取 (全球和本地).
• 利用语义和实例特征来区分类似的对象,并使用交叉和歧视性损失函数进行分类和细分.
• 引入一种使用3D几何信息 (曲率,正常向量) 的新型点云注册方法,以纠正再投影错误并提高姿势准确性.

主要成果:

• 提出的方法证明了对基准数据集 (LineMod和YCB-Video) 的有效性和优越性.
• 获得了准确的物体姿势信息,使机器人手臂能够成功抓住.
• 多模数据 (RGB,深度,点云) 的集成显著改善了空间上下文和结构理解.

结论:

• 开发的方法为在具有挑战性的环境中进行工业物体体位估计提供了可靠的解决方案.
• 多种数据类型和先进的特征提取技术的融合导致了卓越的性能.
• 这一进步促进了更可靠,更准确的机器人抓取操作.