Robots zijn goed in het maken van identieke repetitieve bewegingen, zoals een eenvoudige taak op een lopende band. (Neem een ​​kopje op. Draai het om. Zet het neer.) Maar ze hebben niet het vermogen om objecten waar te nemen terwijl ze door een omgeving bewegen. (Een mens pakt een kopje, zet het op een willekeurige plaats neer, en de robot moet het ophalen.) Een recent onderzoek is uitgevoerd door onderzoekers van de Universiteit van Illinois in Urbana-Champaign, NVIDIA, de Universiteit van Washington, en Stanford University, on 6D object pose inschatting om een ​​filter te ontwikkelen om robots een grotere ruimtelijke perceptie te geven, zodat ze objecten kunnen manipuleren en nauwkeuriger door de ruimte kunnen navigeren.

Terwijl 3D-pose locatie-informatie geeft over X, ja, en Z-assen - relatieve locatie van het object ten opzichte van de camera - 6D-pose geeft een veel completer beeld. "Net zoals het beschrijven van een vliegtuig tijdens de vlucht, de robot moet ook de drie dimensies van de oriëntatie van het object kennen:zijn gieren, toonhoogte, en rol, " zei Xinke Deng, promovendus studeert bij Timothy Bretl, een universitair hoofddocent bij de afdeling Luchtvaart- en Ruimtevaarttechniek aan de U of I.

En in levensechte omgevingen, alle zes van die dimensies veranderen voortdurend.

"We willen dat een robot een object blijft volgen terwijl het van de ene locatie naar de andere gaat, ' zei Deng.

Deng legde uit dat het werk werd gedaan om het computerzicht te verbeteren. Hij en zijn collega's ontwikkelden een filter om robots te helpen ruimtelijke gegevens te analyseren. Het filter kijkt naar elk deeltje, of stukje beeldinformatie verzameld door camera's gericht op een object om beoordelingsfouten te helpen verminderen.

"In een op afbeeldingen gebaseerd 6D-raamwerk voor pose-inschatting, een roetfilter gebruikt veel monsters om de positie en oriëntatie in te schatten, Deng zei. "Elk deeltje is als een hypothese, een gok over de positie en oriëntatie die we willen schatten. Het deeltjesfilter gebruikt observatie om de belangrijkheid van de informatie van de andere deeltjes te berekenen. Het filter elimineert de onjuiste schattingen.

"Ons programma kan niet alleen een enkele pose schatten, maar ook de onzekerheidsverdeling van de oriëntatie van een object, "Zei Deng. "Vroeger, er is geen systeem geweest om de volledige verdeling van de oriëntatie van het object te schatten. Dit geeft belangrijke onzekerheidsinformatie voor robotmanipulatie."

De studie maakt gebruik van 6D-tracking van objecten in het Rao-Blackwellized-deeltjesfilterraamwerk, waarbij de 3D-rotatie en de 3D-translatie van een object worden gescheiden. Hierdoor kunnen de onderzoekers, genaamd PoseRBPF, om de 3D-translatie van een object efficiënt te schatten, samen met de volledige verdeling over de 3D-rotatie. Als resultaat, PoseRBPF kan objecten met willekeurige symmetrieën volgen, terwijl de posterieure verdelingen nog steeds voldoende zijn.

"Onze aanpak behaalt state-of-the-art resultaten op twee 6D pose-schattingsbenchmarks, ' zei Deng.

De studie, "PoseRBPF:een Rao-Blackwellized deeltjesfilter voor schatting van 6D-objectposities, " werd gepresenteerd op de Robotics Science and Systems Conference in Freiburg, Duitsland. Het is mede geschreven door Xinke Deng, Arsala Mousaviaan, Yu Xiang, Fei Xia, Timothy Bretl, en Dieter Fox.