Onderzoekers van de Rutgers University hebben onlangs een probabilistische benadering ontwikkeld voor het bouwen van 3D-modellen van onbekende objecten terwijl ze worden gemanipuleerd door een robot. Hun aanpak, geschetst in een paper dat vooraf is gepubliceerd op arXiv, gebruikt een physics-engine om veronderstelde geometrieën in simulaties te verifiëren.

De meeste primaten leren van nature een verscheidenheid aan objecten te manipuleren in hun vroege levensjaren. Door deze schijnbaar triviale mogelijkheid in robots te repliceren, echter, is tot nu toe zeer uitdagend gebleken.

Eerdere studies hebben geprobeerd dit te bereiken met behulp van een verscheidenheid aan manipulatie-algoritmen, die doorgaans kennis vereisen van de geometrische modellen die horen bij de objecten die de robot gaat manipuleren. Deze modellen kunnen handig zijn als de objecten die de robot tegenkomt van tevoren bekend zijn, toch falen ze vaak wanneer deze objecten onbekend zijn.

"We beschouwen manipulatietaken specifiek in stapels rommel die voorheen onzichtbare objecten bevatten, " schreven de onderzoekers van de Rutgers University in hun paper. "Een van de nieuwe aspecten van dit werk is het gebruik van een fysica-engine voor het verifiëren van veronderstelde geometrieën in simulatie. Het bewijs geleverd door natuurkundige simulaties wordt gebruikt in een probabilistisch raamwerk dat verklaart dat de mechanische eigenschappen van de objecten onzeker zijn."

Het door de onderzoekers ontwikkelde geïntegreerde systeem bestaat uit verschillende componenten:een robotmanipulator, een segmentatie- en clusteringmodule, en een inverse fysieke redeneereenheid. De robotmanipulator is ontworpen om objecten in een stapel rommel te duwen of te porren, terwijl de segmentatie- en clustermodule objecten in RGB-D-beelden kan detecteren.

Eindelijk, de inverse fysieke redeneereenheid, dat is het onderscheidende kenmerk van hun aanpak, leidt ontbrekende delen van objecten af ​​door de acties van de robot in simulatie opnieuw af te spelen. Eigenlijk, de eenheid gebruikt meerdere hypothetische vormen en kent hogere kansen toe aan de vormen die het beste overeenkomen met de waargenomen RGB-D-beelden.

De onderzoekers ontwikkelden een inverse physics reasoning (IPR) algoritme dat geoccludeerde delen van objecten kan afleiden op basis van hun waargenomen bewegingen en onderlinge interacties. Om hun systeem te trainen en te evalueren, ze gebruikten twee datasets:een Voxlets-dataset en een nieuwe dataset gemaakt met YCB-benchmarkobjecten. De Voxlets-dataset bevat statische afbeeldingen van tafelobjecten, terwijl de nieuwe database die door hen is samengesteld, dichtere stapels objecten bevat.

Het team evalueerde de nieuwe aanpak in een reeks experimenten met een Kuka-robotarm gemonteerd op een Clearpath mobiel platform en uitgerust met een Robotiq-hand- en dieptesensor. Bij deze testen de robot kreeg in verschillende scenario's onbekende objecten te zien. De bevindingen van de onderzoekers waren veelbelovend, met hun IPR-algoritme dat vormen beter afleidt dan andere benaderingen.

"Experimenten met een robot laten zien dat deze aanpak efficiënt is voor het construeren van fysiek realistische 3D-modellen, wat handig kan zijn voor manipulatieplanning, " schreven de onderzoekers. "Experimenten tonen ook aan dat de voorgestelde aanpak aanzienlijk beter presteert dan alternatieve benaderingen in termen van vormnauwkeurigheid."

De nieuwe probabilistische benadering van de onderzoekers zou kunnen helpen om de prestaties van robots bij manipulatietaken te verbeteren. In hun toekomstige werk, ze zijn van plan hun aanpak verder te ontwikkelen, zodat het tegelijkertijd 3-D en mechanische modellen kan afleiden.

© 2019 Wetenschap X Netwerk