Neuer Filter verbessert Roboter-Vision für präzise 6-D-Pose-Estimation

Herausforderung: Räumliche Wahrnehmung für Roboter

Roboter sind gut darin, identische repetitive Bewegungen auszuführen – wie einfache Aufgaben an einer Montagelinie. Aber ihnen fehlt die Fähigkeit, Objekte wahrzunehmen, während sie sich durch eine Umgebung bewegen. Eine kürzliche Studie von Forschern der University of Illinois at Urbana-Champaign, NVIDIA, University of Washington und Stanford University zur 6D-Objekt-Pose-Estimation entwickelte einen Filter, um Robotern größere räumliche Wahrnehmung zu geben, damit sie Objekte manipulieren und durch Raum navigieren können.

3D vs. 6D Pose

Während 3D-Pose Standortinformationen auf X-, Y- und Z-Achsen liefert – relative Position des Objekts zur Kamera – gibt 6D-Pose ein weit vollständigeres Bild. Ähnlich wie die Beschreibung eines Flugzeugs im Flug: Der Roboter muss die drei Dimensionen der Objektorientierung kennen: Gier (Yaw), Nicken (Pitch) und Rollen (Roll). In realen Umgebungen ändern sich alle sechs Dimensionen ständig.

Der neue Filter: PoseRBPF

Der Filter wurde entwickelt, um Robotern bei der Analyse räumlicher Daten zu helfen. Er betrachtet jedes Partikel – jeden Bildinformationsfetzen, den Kameras, die auf ein Objekt gerichtet sind, sammeln – um Beurteilungsfehler zu reduzieren.

In einem bildbasierten 6D-Pose-Estimation-Framework nutzt ein Partikelfilter Samples zur Schätzung von Position und Orientierung. Jedes Partikel ist wie eine Hypothese – ein Verdacht über Position und Orientierung, der Schätzung bedarf. Der Partikelfilter nutzt Beobachtung, um den Wichtigkeitswert der Information aus anderen Partikeln zu berechnen und fehlerhafte Schätzungen zu eliminieren.

Bisher gab es kein System zur Schätzung der vollen Verteilungsorientierung des Objekts. Dies gibt wichtige Unsicherheitsinformationen für Roboter-Manipulation. Der neue Filter nutzt 6D-Objekt-Pose-Tracking im Rao-Blackwellisierten Partikelfilter-Framework, wo 3D-Rotation und 3D-Translation eines Objekts getrennt werden. Dies ermöglicht dem neuen Ansatz, PoseRBPF genannt, die 3D-Translation eines Objekts effizient zu schätzen zusammen mit der vollen Verteilung über die 3D-Rotation. Als Ergebnis kann Pose-RBPF Objekte mit beliebigen Symmetrien tracken, während es adäquate Posterior-Verteilungen beibehält.

Für weitere Informationen kontaktieren Sie Lois Yok-soulian (E-Mail geschützt, JS nötig); 217-244-2788.