Nieuwe filter verbetert robotvisie voor nauwkeurige 6-D pose-estimatie

Robots zijn goed in het maken van identieke herhalende bewegingen zoals een eenvoudige taak op een assemblagerij. Maar ze missen de capaciteit om objecten te perceperen als ze door een omgeving bewegen. Een recent onderzoek werd uitgevoerd door onderzoekers aan de University of Illinois at Urbana-Champaign, NVIDIA, de University of Washington, en Stanford University over 6D-object-pose-estimatie om een filter te ontwikkelen om robots grotere ruimtelijke perceptie te geven, zodat ze objecten kunnen manipuleren en door ruimte navigeren met meer nauwkeurigheid.

Terwijl 3D-pose locatie-informatie biedt op X, Y, en Z-assen – relatieve locatie van het object ten opzichte van de camera – geeft 6D-pose een veel completer plaatje. Net als het beschrijven van een vliegtuig in de vlucht, moet de robot de drie dimensies van de objectoriëntatie weten: gieren (yaw), stampen (pitch), en rollen (roll). In real-life omgevingen veranderen al die zes dimensies constant.

Het filter is ontwikkeld om robots te helpen ruimtelijke data te analyseren. Het filter kijkt naar elk deeltje, of stukje beeldinformatie verzameld door camera's gericht op een object om oordeelfouten te reduceren.

In een image-based 6D-pose-estimatie-framework, gebruikt een particle-filter samples om de positie en oriëntatie te schatten. Elk deeltje is als een hypothese – een gok over de positie en oriëntatie die schatting vereist. De particle-filter gebruikt observatie om de waarte van de informatie van de andere deeltjes te berekenen en de onjuiste schattingen te elimineren.

Eerder was er geen systeem om de volledige distributie van de oriëntatie van het object te schatten. Dit geeft belangrijke onzekerheidsinformatie voor robotmanipulatie. Het nieuwe filter gebruikt 6D-object-pose-tracking in het Rao-Blackwellized particle filtering framework, waar de 3D-rotatie en de 3D-translatie van een object gescheiden zijn. Dit stelt de nieuwe benadering, PoseRBPF genoemd, in staat om de 3D-translatie van een object efficiënt te schatten samen met de volledige distributie over de 3D-rotatie. Als resultaat kan Pose-RBPF objecten met willekeurige symmetrieën tracken terwijl nog steeds adequate posterior-verdelingen behouden blijven.

Voor meer informatie, contacteer Lois Yok-soulian via dit e-mailadres (beschermd tegen spambots, JavaScript vereist); 217-244-2788.