基于投票方式的机器人装配姿态估计

小白学视觉

共 2659字,需浏览 6分钟

 ·

2021-02-17 15:19

点击上方“小白学视觉”,选择“星标”
干货第一时间送达
论文题目:《Voting-Based Pose Estimation for Robotic Assembly Using a 3D Sensor
这篇文章被发表在2012年的IEEE International Conference on Robotics and Automation上。
摘要:本文提出了一种基于投票的适用于三维传感器的位姿估计算法,能够快速代替机器人行业、计算机视觉和游戏应用程序中二维相应的算法。最近研究表明在投票框架中,一对有方向的三维点,即物体表面上的点有其对应的法线可以实现快速和鲁棒的位姿估计。尽管定向表面点对于有足够曲率变化的对象具有辨别能力,但对于许多工业和现实生活中大部分平面的对象来说,它们不够紧凑和辨别能力强。由于边缘在二维配准中起关键作用,深度不连续性在三维中起关键作用。在本文中,我们研究和发展了一组姿态估计算法,以更好地利用这一边界信息。除了有方向的表面点,我们使用了另外两个基本元素:有方向的边界点和边界线段。实验表明,这些经过精心选择的原语编码的信息更紧凑,从而为广泛的工业零件提供更高的精度,并使得计算速度更快,本文使用提出的算法和一个3D传感器来演示了一个实用的机器人捡货系统。
一、拣货系统概述


图1
如上图左边所示,展示了捡箱系统的设置。本系统使用一个附在六轴工业机器人手臂上的3D传感器来估计随机放置在箱子里的物体的姿态。3D传感器是基于结构光使用红外激光,并提供三维数据作为像素的深度图。3D传感器相对于机器人手臂进行校准,从而允许使用估计的姿态抓取和挑选对象。右图为算法流程图,本系统使用3D传感器扫描对象的箱子,给定目标物体的三维CAD模型,使用基于投票的算来扫描三维点云对目标物体进行检测和姿态估计,这提供了多个粗的位姿假设。该系统选择几个最优位姿假设,并使用ICP算法的变体对其进行单独的优化。该算法利用当前位姿估计对CAD模型进行渲染,并通过对渲染模型表面的采样生成三维点。然后为模型中的每个三维点计算扫描点云中最近的三维点,并利用三维点对应更新姿态估计。改进后的配准误差由对应场景与模型点之间的平均距离给出,当投票算法计算出的粗位姿不正确,或者由于被其他物体遮挡而丢失部分物体时,配准误差会很大。如果配准误差很小,并且机器人手臂能安全地到达估计的姿态,系统就会抓取目标。
二、投票位姿估计


A.点对特征

1)S2S — Surface-to-Surface
2)B2B — Boundary-to-Boundary
3)S2B — Surface-to-Boundary
4)L2L — Line-to-Line
图2

B.物体表示

C.投票机制

在计算点对特征并构造哈希表结构的基础上,通过计算场景对特征与一组对应的模型对特征之间的刚体变换,找到提出假设,为了提高搜索效率,本文采用了投票方案,利用局部坐标将投票空间缩减为2D空间。首先,在哈希表中搜索场景点对,其中是来自场景的基元集,并找到对应的模型点对, 然后将点对的参考点对准中间坐标系,如图3所示。为了完全对齐对,参考点和,应该通过围绕法线旋转物体来对齐。计算平面旋转角度后,局部坐标由参考模型点对与平面旋转角度定义,到的变换为:

图3

D.L2L点对的投票机制


图4

E.位姿聚类

本文采用的是欧式聚类,首先对原始的pose假设按投票数的降序排序,从最高的投票中创建了一个新的集群。如果下一个位姿假设靠近一个已有的簇,则将该假设添加到簇中,簇中心更新为簇内位姿假设的平均值。如果下一个假设不接近任何一个集群,它就会创建一个新的集群。在平移和旋转过程中,采用固定阈值进行近似测试。平移距离计算和均值化在三维欧几里得空间中进行,旋转距离计算和均值化使用四元数表示。聚类后,对聚类按总票数的递减顺序进行排序,总票数决定了估计姿态的置信度。
三、实验结果
1)合成数据
2)真实数据
论文下载方式
在公众号「3D视觉工坊」后台回复「机器人装配姿态估计」,即可获得论文下载链接。

参考文献

[1] C. Choi and H. I. Christensen, “Robust 3D visual tracking using particle filtering on the SE(3) group,” in ICRA, 2011.
[2] R. Raskar, K. Tan, R. Feris, J. Yu, and M. Turk, “Non-photorealistic
camera: Depth edge detection and stylized rendering using multi-flash imaging,” ACM Trans. Graphics, vol. 23, pp. 679–688, 2004.
本文仅做学术分享,如有侵权,请联系删文。

下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲
小白学视觉公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲
小白学视觉公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群


欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~


浏览 18
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报