Nuevo filtro mejora visión robot para estimación precisa de pose 6-D

Los robots son buenos haciendo movimientos repetitivos idénticos como una tarea simple en una línea de ensamblaje. Pero les falta la capacidad de percibir objetos mientras se mueven a través de un entorno. Un estudio reciente fue conducido por investigadores de la Universidad de Illinois en Urbana-Champaign, NVIDIA, la Universidad de Washington y la Universidad de Stanford sobre estimación de pose de objeto 6D para desarrollar un filtro que dé a los robots mayor percepción espacial, para que puedan manipular objetos y navegar por el espacio más precisamente.

Mientras la pose 3D proporciona información de ubicación en ejes X, Y y Z — ubicación relativa del objeto respecto a la cámara — la pose 6D da una imagen mucho más completa. Muy parecido a describir un avión en vuelo, el robot necesita saber las tres dimensiones de la orientación del objeto: yaw, pitch y roll. En entornos reales, las seis dimensiones cambian constantemente.

El filtro fue desarrollado para ayudar a los robots a analizar datos espaciales. El filtro mira cada partícula, o pieza de información de imagen recopilada por cámaras apuntando a un objeto para ayudar a reducir errores de juicio.

En un framework de estimación de pose 6D basado en imagen, un filtro de partículas usa muestras para estimar posición y orientación. Cada partícula es como una hipótesis — una suposición sobre la posición y orientación que requiere estimación. El filtro de partículas usa observación para computar el valor de importancia de la información de las otras partículas y elimina las estimaciones incorrectas.

Previamente, no había sistema para estimar la distribución completa de la orientación del objeto. Esto da información importante de incertidumbre para manipulación robótica. El nuevo filtro usa tracking de pose de objeto 6D en el framework de filtrado de partículas Rao-Blackwellized, donde la rotación 3D y la traslación 3D de un objeto se separan. Esto permite el nuevo enfoque, llamado PoseRBPF, estimar eficientemente la traslación 3D de un objeto junto con la distribución completa sobre la rotación 3D. Como resultado, Pose-RBPF puede rastrear objetos con simetrías arbitrarias mientras mantiene distribuciones posteriores adecuadas.

Para más información, contacte a Lois Yok-soulian en This email address is being protected from spambots. You need JavaScript enabled to view it.; 217-244-2788.