Towards Deep Learning-based 6D Bin Pose Estimation in 3D Scans

• https://www.scitepress.org/Link.aspx?doi=10.5220/0010878200003124

Počítačové vidění, odhad pozice Bin, odhad 6D pozice, hluboké učení, kloudování bodů

Automatizovaný robotický systém musí být co nejrobustnější a obecně bezpečný proti selhání a zároveň musí mít relativně vysokou přesnost a opakovatelnost. I když se metody založené na hlubokém učení stávají standardem výzkumu, jak přistupovat k úlohám 3D skenování a zpracování obrazu, průmyslový standard pro zpracování těchto dat je stále založen na analytické bázi. Náš článek tvrdí, že analytické metody jsou méně robustní a obtížnější pro testování, aktualizaci a údržbu. Tento článek se zaměřuje na konkrétní úlohu 6D odhadu pozice koše ve 3D skenech. Proto představujeme vysoce kvalitní datovou sadu složenou ze syntetických dat a skutečných skenů zachycených skenerem se strukturovaným světlem s přesnými anotacemi. Navíc navrhujeme dvě různé metody pro odhad pozice 6D bin, analytickou metodu jako průmyslový standard a metodu založenou na základních datech. Oba přístupy jsou křížově hodnoceny a naše experimenty ukazují, že rozšíření tréninku na skutečných skenech o syntetická data zlepšuje náš navrhovaný neurální model řízený daty. Tento poziční dokument je předběžný, protože navrhované metody jsou trénovány a vyhodnocovány na relativně malém počátečním souboru dat, který plánujeme v budoucnu rozšířit.