|
重磅干貨，第一時間送達 摘要 近年來，物體檢測和姿態估計在機器人視覺應用中得到了極大的關注。對感興趣的物體的識別以及對其姿態的估計仍然是重要的能力，以便機器人為從家庭任務到工業操作的眾多機器人應用提供有效的協助。這個問題是特別具有挑戰性的，因為物體具有不同的和潛在的復雜形狀的異質性，以及由于背景雜波和物體之間的部分遮擋而產生的困難。作為這項工作的主要貢獻，作者提出了一個實時的目標檢測和位姿估計系統，以實現機器人的動態抓取。這個機器人已經經過了預先訓練，通過對每個物體的幾個固定姿勢來執行一小組規范抓握動作。當機器人面對任意姿態的未知物體時，該方法允許機器人檢測物體身份及其實際姿態，然后采用規范抓握來與新姿態一起使用。為了訓練，該系統通過捕獲物體相對于附著在機器人手腕上的抓取器的相對姿態來定義一個規范抓取。在測試過程中，一旦檢測到一個新的姿態，就對目標進行典型抓取識別，然后通過調整機器人手臂的關節角度進行動態調整，使抓取者能夠以新的姿態抓取目標。作者使用類人PR2機器人進行了實驗，并表明所提出的框架可以檢測紋理良好的對象，并在存在可容忍的平面外旋轉量的情況下提供準確的姿態估計。該機器人能夠成功地抓取任意姿態的物體，這也說明了該機器人的性能。  在這項工作中，作者提出了一種基于特征檢測器-描述符的檢測方法和一種基于單應性的姿態估計技術，利用深度信息，作者根據三維空間中的二維平面表示來估計目標的姿態。預訓練機器人執行arXiv:2101.07347v1 [cs。一套經典把握;典型抓取描述了機器人末端執行器應該如何以固定姿態相對于一個物體放置，以便它可以安全地抓取它。之后，機器人能夠實時檢測目標并估計目標的姿態，然后根據目標的新姿態調整訓練好的規范抓取。 作者證明了所提出的方法可以檢測一個紋理良好的平面物體，并在可容忍的平面外旋轉量內估計其準確的姿態。作者還在仿人PR2機器人上進行了實驗，以展示該框架的適用性，機器人通過適應一系列不同的姿態來抓取物體。  框架結構 所提出的方法分為兩部分。第一部分概述了多目標同時目標檢測和姿態估計的過程，第二部分描述了使用預先訓練的規范抓取和目標姿態生成自適應抓取的過程。 提出了一種用于自適應抓取的平面姿態估計算法(算法1)，該算法包括四個階段:(i)特征提取與匹配，(ii)單應性估計與透視變換，(iii)物體表面方向向量估計，(iv)利用深度數據進行平面姿態估計。 為了保證機器人能夠自適應地抓取物體，作者對機器人進行了一組正則抓取的預訓練。作者把物體和機器人的抓手放在一起，并記錄相對的姿態。這實際上給出了抓取器相對于物體的姿態。圖6說明了訓練過程，其中機器人的抓手和爆竹盒已被放置在近距離和相對姿態已被記錄抓取對象從側面。 實驗結果 (a)，(b)，(c)為機器人攝像頭恢復的位姿，(d)，(e)，(f)為RViz中可視化的相應位姿。 (a)多個物體的位姿估計(b)人持有的物體的位姿估計 作者首先測試了靜態物體的系統，物體被固定在三腳架上。接下來，作者進行實驗，讓一個人拿著這個物體。作者使用了一本貼紙書和一本漫畫書，并對作者的系統進行了全面的姿態評估。在幾乎所有的實驗中，機器人都成功地以與其訓練一致的方式抓住了物體。有一些姿態是機器人無法達到的-例如，當物體沿著機器人參考系的x軸向內指向時，末端執行器不可能做出頂部抓取。
本研究提出一種方法，使人形機器人能夠利用基于RGB圖像和深度數據的平面姿態估計來抓取物體。作者檢查了四種特征檢測描述符的性能，發現SIFT是最好的解決方案。作者使用FLANN的K-d樹最近鄰實現，并使用Bruteforce Hamming來尋找關鍵點匹配，并使用RANSAC來估計單應性。通過透視變換，利用單應矩陣逼近平面物體上的三個標準正交方向向量。根據三個方向矢量估計平面物體的姿態。該系統能夠實時檢測多個目標并估計目標的姿態。作者還在仿人PR2機器人上進行了實驗，以展示該框架的實用性，機器人通過適應一系列不同的姿態來抓取物體。 未來，作者計劃在本文算法中加入GPU加速，進一步提高系統的整體計算效率。作者希望擴展該算法，以自動對某些對象進行優先排序，并根據不同的計劃任務限制需要檢測的對象的數量。最后，作者希望為熟悉的對象加入轉移抓取配置，并探索其他特征匹配技術，如多探測LSH、分層k-means樹等。 論文鏈接：https:///pdf/2101.07347.pdf 每日堅持論文分享不易，如果喜歡我們的內容，希望可以推薦或者轉發給周圍的同學。 - END - |
|
|
結論
