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

要約

スプレー塗装や溶接などの一般的な産業用ロボットの問題では、(i) 自由形状の 3D オブジェクトの調整と、(ii) タスクを解決するための複数の軌道の計画が必要です。
しかし、既存のソリューションは入力サーフェスの形式と出力パスの性質について強い仮定を置いているため、実際のデータの変動に対処できないアプローチが制限されています。
3D 深層学習の最近の進歩を活用することで、任意の 3D サーフェスを処理し、可変数の順序付けされていない (つまり、構造化されていない) 出力パスを処理できる新しいフレームワークを導入します。
私たちのアプローチはローカル パス セグメントを予測し、後でそれを連結して長期パスを再構築できます。
私たちは、実際の産業シナリオで収集された自由形状 3D オブジェクトに関する専門家によるデモンストレーションの初の公開データセットである PaintNet をリリースすることにより、ロボット スプレー塗装のコンテキストで提案された方法を広範囲に検証します。
徹底した実験解析により、ペイント カバレッジを明示的に最適化しなくても、これまで見えなかったオブジェクト サーフェスの最大 95% をカバーする滑らかな出力パスを迅速に予測するモデルの機能が実証されました。

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 predicts local 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 previously unseen object surfaces, even without explicitly optimizing for paint coverage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google