Forscher des Shibaura Institute of Technology, Japan, haben einen neuartigen 6D-Posendatensatz entwickelt, der die Greifgenauigkeit und Anpassungsfähigkeit von Robotern in industriellen Umgebungen verbessern soll. Der Datensatz, der RGB- und Tiefenbilder integriert, zeigt ein erhebliches Potenzial zur Verbesserung der Präzision von Robotern, die Pick-and-Place-Aufgaben in dynamischen Umgebungen ausführen.
Die genaue Schätzung der Objektlage bezieht sich auf die Fähigkeit eines Roboters, sowohl die Position als auch die Ausrichtung eines Objekts zu bestimmen. Es ist für die Robotik unverzichtbar, insbesondere bei Pick-and-Place-Aufgaben, die in Branchen wie Fertigung und Logistik von entscheidender Bedeutung sind. Da Roboter zunehmend mit komplexen Operationen betraut werden, wird ihre Fähigkeit, die sechs Freiheitsgrade (6D-Pose) von Objekten, deren Position und Ausrichtung präzise zu bestimmen, von entscheidender Bedeutung. Diese Fähigkeit stellt sicher, dass Roboter zuverlässig und sicher mit Objekten interagieren können. Trotz der Fortschritte beim Deep Learning hängt die Leistung von 6D-Posenschätzungsalgorithmen jedoch weitgehend von der Qualität der Daten ab, auf denen sie trainiert werden.
Eine neue Studie unter der Leitung von außerordentlichem Professor Phan Xuan Tan, College of Engineering, Shibaura Institute of Technology, Japan, zusammen mit seinem Forscherteam Dr von der Hanoi University of Industry, Vietnam, stellt außerordentlicher Professor Thai-Viet Dang von der Hanoi University of Science and Technology, Vietnam, einen sorgfältig entworfenen Datensatz vor, der darauf abzielt, die Leistung der 6D-Posenschätzung zu verbessern Algorithmen. Dieser Datensatz schließt eine große Lücke in der Robotergreif- und Automatisierungsforschung, indem er eine umfassende Ressource bereitstellt, die es Robotern ermöglicht, Aufgaben mit höherer Präzision und Anpassungsfähigkeit in realen Umgebungen auszuführen. Diese Studie wurde am 23. November 2024 online verfügbar gemacht und im Dezember 2024 in Band 24 der Zeitschrift Results in Engineering veröffentlicht.
Assoc. Prof. Tan erklärt: „Unser Ziel war es, einen Datensatz zu erstellen, der nicht nur die Forschung vorantreibt, sondern auch praktische Herausforderungen in der industriellen Roboterautomatisierung angeht. Wir hoffen, dass er als wertvolle Ressource für Forscher und Ingenieure gleichermaßen dient.“
Das Forschungsteam erstellte einen Datensatz, der nicht nur den Anforderungen der Forschungsgemeinschaft entsprach, sondern auch in praktischen industriellen Umgebungen anwendbar ist. Verwendung von Intel RealSenseTM Mit der Tiefenkamera D435 haben sie hochwertige RGB- und Tiefenbilder aufgenommen und jedes mit 6D-Positionsdaten, Rotation und Verschiebung der Objekte versehen. Der Datensatz weist eine Vielzahl von Formen und Größen auf, wobei Techniken zur Datenerweiterung hinzugefügt wurden, um seine Vielseitigkeit unter verschiedenen Umgebungsbedingungen sicherzustellen. Dieser Ansatz macht den Datensatz in hohem Maße auf eine Vielzahl von Roboteranwendungen anwendbar.
„Unser Datensatz wurde sorgfältig entwickelt, um für die Industrie praktisch zu sein. Durch die Einbeziehung von Objekten mit unterschiedlichen Formen und Umgebungsvariablen stellt er eine wertvolle Ressource nicht nur für Forscher, sondern auch für Ingenieure dar, die in Bereichen arbeiten, in denen Roboter unter dynamischen und komplexen Bedingungen arbeiten“, fügt Assoc hinzu . Prof. Tan.
Der Datensatz wurde mithilfe der hochmodernen Deep-Learning-Modelle EfficientPose und FFB6D ausgewertet und erreichte Genauigkeitsraten von 97,05 % bzw. 98,09 %. Die hohen Genauigkeitsraten beweisen, dass der Datensatz zuverlässige und präzise Poseinformationen liefert, die für Anwendungen wie Robotermanipulation, Qualitätskontrolle in der Fertigung und autonome Fahrzeuge von entscheidender Bedeutung sind. Die starke Leistung dieser Algorithmen im Datensatz unterstreicht das Potenzial zur Verbesserung von Robotersystemen, die Präzision erfordern.
Assoc. Prof. Tan erklärt: „Unser Datensatz umfasst zwar eine Reihe grundlegender Formen wie rechteckige Prismen, Trapeze und Zylinder, eine Erweiterung um komplexere und unregelmäßigere Objekte würde ihn jedoch für reale Szenarien besser anwendbar machen.“ Darüber hinaus fügt er hinzu: „Während der Intel RealSenseTM Die Depth D435-Kamera bietet hervorragende Tiefen- und RGB-Daten. Die Abhängigkeit des Datensatzes davon kann die Zugänglichkeit für Forscher einschränken, die keinen Zugang zu derselben Ausrüstung haben.“
Trotz dieser Herausforderungen sind die Forscher hinsichtlich der Auswirkungen des Datensatzes optimistisch. Die Ergebnisse zeigen deutlich, dass ein gut gestalteter Datensatz die Leistung von 6D-Posenschätzungsalgorithmen erheblich verbessert und es Robotern ermöglicht, komplexere Aufgaben mit höherer Präzision und Effizienz auszuführen.
„Die Ergebnisse sind die Mühe wert!“, ruft Assoc. Prof. Tan. Für die Zukunft plant das Team, den Datensatz zu erweitern, indem eine größere Vielfalt an Objekten einbezogen und Teile des Datenerfassungsprozesses automatisiert werden, um ihn effizienter und zugänglicher zu machen. Diese Bemühungen zielen darauf ab, die Anwendbarkeit und den Nutzen des Datensatzes weiter zu verbessern, was sowohl Forschern als auch Branchen zugute kommt, die auf Roboterautomatisierung angewiesen sind.
