PaintNet: Unstructured Multi-Path Learning from 3D Point Clouds for Robotic Spray Painting

要約

スプレーペイントや溶接などの一般的な産業用ロボットの問題では、(i)自由な形状の3Dオブジェクトに対する条件付け、(ii)タスクを解決するための複数の軌道のプランニングが必要です。しかし、既存のソリューションは、入力面の形状や出力経路の性質に強い仮定を置いているため、実データの変動に対処できない限定的なアプローチとなっています。我々は、3Dディープラーニングの最近の進歩を活用し、任意の3Dサーフェスを扱うことができる新しいフレームワークを導入し、可変数の順序のない出力パス（すなわち非構造化）を扱うことができます。本アプローチでは、より小さな経路セグメントを予測することに焦点を当て、それらを後で連結して長周期経路を再構築することができる。我々は、実際の産業シナリオで収集された自由形状の3Dオブジェクトに関する専門家のデモンストレーションの最初の公開データセットであるPaintNetを公開することにより、ロボットによるスプレー塗装の文脈で提案手法を広範に検証する。徹底的な実験分析により、本モデルが、未見の物体インスタンスの表面の95%までをカバーする滑らかな出力経路を迅速に予測する能力を実証する。さらに、PaintNetから学習したモデルが、新しいオブジェクトのカテゴリを扱う際に、データと時間の効率を改善するための信頼できる出発点となる、関連する特徴をどのように捉えるかを示す。

要約(オリジナル)

Popular industrial robotic problems such as spray painting and welding require (i) conditioning on free-shape 3D objects and (ii) planning of multiple trajectories to solve the task. Yet, existing solutions make strong assumptions on the form of input surfaces and the nature of output paths, resulting in limited approaches unable to cope with real-data variability. By leveraging on recent advances in 3D deep learning, we introduce a novel framework capable of dealing with arbitrary 3D surfaces, and handling a variable number of unordered output paths (i.e. unstructured). Our approach focuses on predicting smaller path segments, which can be later concatenated to reconstruct long-horizon paths. We extensively validate the proposed method in the context of robotic spray painting by releasing PaintNet, the first public dataset of expert demonstrations on free-shape 3D objects collected in a real industrial scenario. A thorough experimental analysis demonstrates the capabilities of our model to promptly predict smooth output paths that cover up to 95% of the surface of previously unseen object instances. Furthermore, we show how models learned from PaintNet capture relevant features which serve as a reliable starting point to improve data and time efficiency when dealing with new object categories.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL