|
重磅干货，第一时间送达 摘要 近年来，物体检测和姿态估计在机器人视觉应用中得到了极大的关注。对感兴趣的物体的识别以及对其姿态的估计仍然是重要的能力，以便机器人为从家庭任务到工业操作的众多机器人应用提供有效的协助。这个问题是特别具有挑战性的，因为物体具有不同的和潜在的复杂形状的异质性，以及由于背景杂波和物体之间的部分遮挡而产生的困难。作为这项工作的主要贡献，作者提出了一个实时的目标检测和位姿估计系统，以实现机器人的动态抓取。这个机器人已经经过了预先训练，通过对每个物体的几个固定姿势来执行一小组规范抓握动作。当机器人面对任意姿态的未知物体时，该方法允许机器人检测物体身份及其实际姿态，然后采用规范抓握来与新姿态一起使用。为了训练，该系统通过捕获物体相对于附着在机器人手腕上的抓取器的相对姿态来定义一个规范抓取。在测试过程中，一旦检测到一个新的姿态，就对目标进行典型抓取识别，然后通过调整机器人手臂的关节角度进行动态调整，使抓取者能够以新的姿态抓取目标。作者使用类人PR2机器人进行了实验，并表明所提出的框架可以检测纹理良好的对象，并在存在可容忍的平面外旋转量的情况下提供准确的姿态估计。该机器人能够成功地抓取任意姿态的物体，这也说明了该机器人的性能。  在这项工作中，作者提出了一种基于特征检测器-描述符的检测方法和一种基于单应性的姿态估计技术，利用深度信息，作者根据三维空间中的二维平面表示来估计目标的姿态。预训练机器人执行arXiv:2101.07347v1 [cs。一套经典把握;典型抓取描述了机器人末端执行器应该如何以固定姿态相对于一个物体放置，以便它可以安全地抓取它。之后，机器人能够实时检测目标并估计目标的姿态，然后根据目标的新姿态调整训练好的规范抓取。 作者证明了所提出的方法可以检测一个纹理良好的平面物体，并在可容忍的平面外旋转量内估计其准确的姿态。作者还在仿人PR2机器人上进行了实验，以展示该框架的适用性，机器人通过适应一系列不同的姿态来抓取物体。  框架结构 所提出的方法分为两部分。第一部分概述了多目标同时目标检测和姿态估计的过程，第二部分描述了使用预先训练的规范抓取和目标姿态生成自适应抓取的过程。 提出了一种用于自适应抓取的平面姿态估计算法(算法1)，该算法包括四个阶段:(i)特征提取与匹配，(ii)单应性估计与透视变换，(iii)物体表面方向向量估计，(iv)利用深度数据进行平面姿态估计。 为了保证机器人能够自适应地抓取物体，作者对机器人进行了一组正则抓取的预训练。作者把物体和机器人的抓手放在一起，并记录相对的姿态。这实际上给出了抓取器相对于物体的姿态。图6说明了训练过程，其中机器人的抓手和爆竹盒已被放置在近距离和相对姿态已被记录抓取对象从侧面。 实验结果 (a)，(b)，(c)为机器人摄像头恢复的位姿，(d)，(e)，(f)为RViz中可视化的相应位姿。 (a)多个物体的位姿估计(b)人持有的物体的位姿估计 作者首先测试了静态物体的系统，物体被固定在三脚架上。接下来，作者进行实验，让一个人拿着这个物体。作者使用了一本贴纸书和一本漫画书，并对作者的系统进行了全面的姿态评估。在几乎所有的实验中，机器人都成功地以与其训练一致的方式抓住了物体。有一些姿态是机器人无法达到的-例如，当物体沿着机器人参考系的x轴向内指向时，末端执行器不可能做出顶部抓取。
本研究提出一种方法，使人形机器人能够利用基于RGB图像和深度数据的平面姿态估计来抓取物体。作者检查了四种特征检测描述符的性能，发现SIFT是最好的解决方案。作者使用FLANN的K-d树最近邻实现，并使用Bruteforce Hamming来寻找关键点匹配，并使用RANSAC来估计单应性。通过透视变换，利用单应矩阵逼近平面物体上的三个标准正交方向向量。根据三个方向矢量估计平面物体的姿态。该系统能够实时检测多个目标并估计目标的姿态。作者还在仿人PR2机器人上进行了实验，以展示该框架的实用性，机器人通过适应一系列不同的姿态来抓取物体。 未来，作者计划在本文算法中加入GPU加速，进一步提高系统的整体计算效率。作者希望扩展该算法，以自动对某些对象进行优先排序，并根据不同的计划任务限制需要检测的对象的数量。最后，作者希望为熟悉的对象加入转移抓取配置，并探索其他特征匹配技术，如多探测LSH、分层k-means树等。 论文链接：https:///pdf/2101.07347.pdf 每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。 - END - |
|
|
结论
