作者：仲夏夜之星
來源：公眾號(hào) @3D視覺工坊
鏈接：基于投票方式的機(jī)器人裝配姿態(tài)估計(jì)

論文題目：《Voting-Based Pose Estimation for Robotic Assembly Using a 3D Sensor》

這篇文章被發(fā)表在2012年的IEEE International Conference on Robotics and Automation上。

摘要：本文提出了一種基于投票的適用于三維傳感器的位姿估計(jì)算法，能夠快速代替機(jī)器人行業(yè)、計(jì)算機(jī)視覺和游戲應(yīng)用程序中二維相應(yīng)的算法。最近研究表明在投票框架中，一對(duì)有方向的三維點(diǎn)，即物體表面上的點(diǎn)有其對(duì)應(yīng)的法線可以實(shí)現(xiàn)快速和魯棒的位姿估計(jì)。盡管定向表面點(diǎn)對(duì)于有足夠曲率變化的對(duì)象具有辨別能力，但對(duì)于許多工業(yè)和現(xiàn)實(shí)生活中大部分平面的對(duì)象來說，它們不夠緊湊和辨別能力強(qiáng)。由于邊緣在二維配準(zhǔn)中起關(guān)鍵作用，深度不連續(xù)性在三維中起關(guān)鍵作用。在本文中，我們研究和發(fā)展了一組姿態(tài)估計(jì)算法，以更好地利用這一邊界信息。除了有方向的表面點(diǎn)，我們使用了另外兩個(gè)基本元素：有方向的邊界點(diǎn)和邊界線段。實(shí)驗(yàn)表明，這些經(jīng)過精心選擇的原語編碼的信息更緊湊，從而為廣泛的工業(yè)零件提供更高的精度，并使得計(jì)算速度更快，本文使用提出的算法和一個(gè)3D傳感器來演示了一個(gè)實(shí)用的機(jī)器人撿貨系統(tǒng)。

一、揀貨系統(tǒng)概述

圖1

如上圖左邊所示，展示了撿箱系統(tǒng)的設(shè)置。本系統(tǒng)使用一個(gè)附在六軸工業(yè)機(jī)器人手臂上的3D傳感器來估計(jì)隨機(jī)放置在箱子里的物體的姿態(tài)。3D傳感器是基于結(jié)構(gòu)光使用紅外激光，并提供三維數(shù)據(jù)作為像素的深度圖。3D傳感器相對(duì)于機(jī)器人手臂進(jìn)行校準(zhǔn)，從而允許使用估計(jì)的姿態(tài)抓取和挑選對(duì)象。右圖為算法流程圖，本系統(tǒng)使用3D傳感器掃描對(duì)象的箱子，給定目標(biāo)物體的三維CAD模型，使用基于投票的算來掃描三維點(diǎn)云對(duì)目標(biāo)物體進(jìn)行檢測(cè)和姿態(tài)估計(jì)，這提供了多個(gè)粗的位姿假設(shè)。該系統(tǒng)選擇幾個(gè)最優(yōu)位姿假設(shè)，并使用ICP算法的變體對(duì)其進(jìn)行單獨(dú)的優(yōu)化。該算法利用當(dāng)前位姿估計(jì)對(duì)CAD模型進(jìn)行渲染，并通過對(duì)渲染模型表面的采樣生成三維點(diǎn)。然后為模型中的每個(gè)三維點(diǎn)計(jì)算掃描點(diǎn)云中最近的三維點(diǎn)，并利用三維點(diǎn)對(duì)應(yīng)更新姿態(tài)估計(jì)。改進(jìn)后的配準(zhǔn)誤差由對(duì)應(yīng)場景與模型點(diǎn)之間的平均距離給出，當(dāng)投票算法計(jì)算出的粗位姿不正確，或者由于被其他物體遮擋而丟失部分物體時(shí)，配準(zhǔn)誤差會(huì)很大。如果配準(zhǔn)誤差很小，并且機(jī)器人手臂能安全地到達(dá)估計(jì)的姿態(tài)，系統(tǒng)就會(huì)抓取目標(biāo)。

二、投票位姿估計(jì)

A.點(diǎn)對(duì)特征

1）S2S — Surface-to-Surface

2）B2B — Boundary-to-Boundary

3）S2B — Surface-to-Boundary

4）L2L — Line-to-Line

圖2

B.物體表示

C.投票機(jī)制

在計(jì)算點(diǎn)對(duì)特征并構(gòu)造哈希表結(jié)構(gòu)的基礎(chǔ)上，通過計(jì)算場景對(duì)特征與一組對(duì)應(yīng)的模型對(duì)特征之間的剛體變換，找到提出假設(shè)，為了提高搜索效率，本文采用了投票方案，利用局部坐標(biāo)將投票空間縮減為2D空間。首先，在哈希表中搜索場景點(diǎn)對(duì)，其中是來自場景的基元集，并找到對(duì)應(yīng)的模型點(diǎn)對(duì), 然后將點(diǎn)對(duì)的參考點(diǎn)對(duì)準(zhǔn)中間坐標(biāo)系，如圖3所示。為了完全對(duì)齊對(duì)，參考點(diǎn)和，應(yīng)該通過圍繞法線旋轉(zhuǎn)物體來對(duì)齊。計(jì)算平面旋轉(zhuǎn)角度后，局部坐標(biāo)由參考模型點(diǎn)對(duì)與平面旋轉(zhuǎn)角度定義,到的變換為:

圖3

D．L2L點(diǎn)對(duì)的投票機(jī)制

圖4

E．位姿聚類

本文采用的是歐式聚類，首先對(duì)原始的pose假設(shè)按投票數(shù)的降序排序，從最高的投票中創(chuàng)建了一個(gè)新的集群。如果下一個(gè)位姿假設(shè)靠近一個(gè)已有的簇，則將該假設(shè)添加到簇中，簇中心更新為簇內(nèi)位姿假設(shè)的平均值。如果下一個(gè)假設(shè)不接近任何一個(gè)集群，它就會(huì)創(chuàng)建一個(gè)新的集群。在平移和旋轉(zhuǎn)過程中，采用固定閾值進(jìn)行近似測(cè)試。平移距離計(jì)算和均值化在三維歐幾里得空間中進(jìn)行，旋轉(zhuǎn)距離計(jì)算和均值化使用四元數(shù)表示。聚類后，對(duì)聚類按總票數(shù)的遞減順序進(jìn)行排序，總票數(shù)決定了估計(jì)姿態(tài)的置信度。

三、實(shí)驗(yàn)結(jié)果

1）合成數(shù)據(jù)

2）真實(shí)數(shù)據(jù)

論文下載方式

在公眾號(hào)「3D視覺工坊」后臺(tái)回復(fù)「機(jī)器人裝配姿態(tài)估計(jì)」，即可獲得論文下載鏈接。

參考文獻(xiàn)

[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.

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。

往期干貨資源：

匯總 | 國內(nèi)最全的3D視覺學(xué)習(xí)資源，涉及計(jì)算機(jī)視覺、SLAM、三維重建、點(diǎn)云處理、姿態(tài)估計(jì)、深度估計(jì)、3D檢測(cè)、自動(dòng)駕駛、深度學(xué)習(xí)（3D+2D）、圖像處理、立體視覺、結(jié)構(gòu)光等方向！

匯總 | 3D目標(biāo)檢測(cè)（基于點(diǎn)云、雙目、單目）

匯總 | 6D姿態(tài)估計(jì)算法（基于點(diǎn)云、單目、投票方式）

匯總 | 三維重建算法實(shí)戰(zhàn)（單目重建、立體視覺、多視圖幾何）

匯總 | 3D點(diǎn)云后處理算法（匹配、檢索、濾波、識(shí)別）

匯總 | SLAM算法（視覺里程計(jì)、后端優(yōu)化、回環(huán)檢測(cè)）

匯總 | 深度學(xué)習(xí)&自動(dòng)駕駛前沿算法研究（檢測(cè)、分割、多傳感器融合）

匯總 | 相機(jī)標(biāo)定算法

匯總 | 事件相機(jī)原理

匯總 | 結(jié)構(gòu)光經(jīng)典算法

匯總 | 缺陷檢測(cè)常用算法與實(shí)戰(zhàn)技巧

總結(jié)

以上是生活随笔為你收集整理的mpu9250姿态融合算法_基于投票方式的机器人装配姿态估计的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。