EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration

要約

ハンドアイキャリブレーションは、操作や把握などの重要な操作の効率に直接影響するため、ロボット工学における重要なタスクです。
この目的を達成するための従来の方法では、関節ポーズの慎重な設計と特殊なキャリブレーション マーカーの使用が必要ですが、ポーズ回帰のみを使用する最近の学習ベースのアプローチでは、不正確さを診断する能力が限られています。
この研究では、EasyHeC と呼ばれるハンドアイ キャリブレーションの新しいアプローチを導入します。これはマーカーレスでホワイトボックスであり、優れた精度と堅牢性を実現します。
私たちは、微分可能なレンダリング ベースのカメラ ポーズの最適化と一貫性ベースの関節空間探索という 2 つの主要なテクノロジを使用することを提案します。これにより、キャリブレーション プロセスの正確なエンドツーエンドの最適化が可能になり、ロボットの関節ポーズの面倒な手動設計が不要になります。
私たちの評価では、合成データセットと現実世界のデータセットで優れたパフォーマンスが実証され、オブジェクトの位置を特定して操作するための正確なカメラポーズを提供することで、下流の操作タスクを強化します。
コードはプロジェクト ページ https://oots.github.io/easyhec で入手できます。

要約(オリジナル)

Hand-eye calibration is a critical task in robotics, as it directly affects the efficacy of critical operations such as manipulation and grasping. Traditional methods for achieving this objective necessitate the careful design of joint poses and the use of specialized calibration markers, while most recent learning-based approaches using solely pose regression are limited in their abilities to diagnose inaccuracies. In this work, we introduce a new approach to hand-eye calibration called EasyHeC, which is markerless, white-box, and delivers superior accuracy and robustness. We propose to use two key technologies: differentiable rendering-based camera pose optimization and consistency-based joint space exploration, which enables accurate end-to-end optimization of the calibration process and eliminates the need for the laborious manual design of robot joint poses. Our evaluation demonstrates superior performance in synthetic and real-world datasets, enhancing downstream manipulation tasks by providing precise camera poses for locating and interacting with objects. The code is available at the project page: https://ootts.github.io/easyhec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google