Разработан подход для построения трехмерных моделей неизвестных объектов, управляемых роботами

Прочитано: 257 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Оценок пока нет)
Loading ... Loading ...


Исследователи из Университета Рутгерса недавно разработали вероятностный подход для построения трехмерных моделей неизвестных объектов, когда ими манипулирует робот. Их подход, изложенный в статье, ранее опубликованной на arXiv , использует физический движок для проверки гипотетической геометрии в симуляциях.

Большинство приматов учатся манипулировать различными объектами в ранние годы жизни. Однако воспроизвести эту, казалось бы, тривиальную способность у роботов оказалось очень сложной задачей.

Прошлые исследования пытались достичь этого, используя различные алгоритмы манипуляции, которые обычно требуют знания геометрических моделей, связанных с объектами, которыми робот будет манипулировать. Эти модели могут быть полезны, если объекты, с которыми сталкивается робот, известны заранее, но часто они терпят неудачу, когда эти объекты неизвестны.

«Мы специально рассматриваем задачи манипуляции в кучах беспорядка, которые содержат ранее невидимые объекты», — писали исследователи из Университета Рутгерса. «Одним из новых аспектов этой работы является использование физического механизма для проверки гипотетической геометрии при моделировании. Доказательства, предоставленные физическим моделированием, используются в вероятностной структуре, которая учитывает тот факт, что механические свойства объектов являются неопределенными».


Интегрированная система, разработанная исследователями, имеет несколько компонентов: роботизированный манипулятор , модуль сегментации и кластеризации и модуль обратного физического рассуждения. Роботизированный манипулятор предназначен для того, чтобы толкать или толкать объекты в куче беспорядка, в то время как модуль сегментации и кластеризации может обнаруживать объекты на изображениях RGB-D.

Наконец, обратная физическая единица рассуждения, которая является отличительной чертой их подхода, выводит недостающие части объектов, воспроизводя действия робота в симуляции. По сути, устройство использует несколько гипотетических форм и назначает более высокие вероятности тем, которые лучше всего соответствуют наблюдаемым изображениям RGB-D.

Исследователи разработали алгоритм обратного физического рассуждения (IPR), который может выводить окклюзированные части объектов на основе их наблюдаемых движений и взаимных взаимодействий. Для обучения и оценки своей системы они использовали два набора данных: набор данных Voxlets и новый набор данных, созданный с использованием эталонных объектов YCB. Набор данных Voxlets содержит статические изображения объектов столешницы, в то время как созданная ими новая база данных содержит более плотные груды объектов.

Команда провела оценку нового подхода в серии экспериментов с использованием роботизированной руки Kuka, установленной на мобильной платформе Clearpath и оснащенной ручной и глубокой камерой Robotiq. В этих тестах роботу были представлены неизвестные объекты в разных сценариях. Результаты, собранные исследователями, были очень многообещающими, поскольку их алгоритм IPR выводит формы лучше, чем другие подходы.

«Эксперименты с использованием робота показывают, что этот подход эффективен для построения физически реалистичных трехмерных моделей, которые могут быть полезны для планирования манипуляций», — пишут исследователи. «Эксперименты также показывают, что предлагаемый подход значительно превосходит альтернативные подходы с точки зрения точности формы».

Новый вероятностный подход, представленный исследователями, может помочь повысить производительность роботов в задачах манипуляции. В своей будущей работе они планируют развивать свой подход, чтобы он мог одновременно выводить трехмерные и механические модели.

Разработан подход для построения трехмерных моделей неизвестных объектов, управляемых роботами



Новости партнеров

Загрузка...