一个超图计算和知识增强框架用于叉车托盘摆位估计

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能

背景情况:

• 自主叉车运行受到诸如密集堆叠,堵塞和可变照明等挑战的阻碍,影响定位准确性.
• 在仓库中高效的物料处理需要强大而精确的托盘定位.

研究的目的:

• 在复杂的工业环境中开发一个知识增强的框架,使用超图计算来准确地估计托盘的位置.
• 为了提高自主叉车操作的稳定性和效率.

主要方法:

• 利用超图结构来建模托盘关键点之间的高阶空间关系,捕捉几何依赖.
• 集成的超图计算与域名知识,采用超位架构与注意力融合和几何意识的关键点检测.
• 使用Mahalanobis距离优化实现了不确定性受约束的姿势估计.

主要成果:

• 通过97.5%的检测和97.3%的关键点定位精度实现了高精度,同时通过拓保护修剪将模型大小减少到20.2 MB.
• 在边缘计算平台 (NVIDIA Jetson Orin Nano) 上以 72.1 FPS 展示了实时性能.
• 获得的低误差率:<1.6°角误差和<18mm距离误差.

结论:

• 超图计算和知识增强框架为在具有挑战性的仓库环境中对托盘位置估计提供了强大的解决方案.
• 这种方法显著提高了自动化物料处理系统的可靠性.
• 这项研究为工业视觉系统建立了新的范式,改善了自主操作.