Autonomous Marker-less Rapid Aerial Grasping

要約

自律型ロボットが登場する未来では、ロボット システムにとって視覚的および空間的認識が最も重要になります。
特に航空ロボット工学では、現実世界のあらゆるシナリオで視覚の利用が必要となるアプリケーションが数多くあります。
ドローンを使用したロボットによる空中掴みは、他のロボット ソリューションに比べて可動性が大幅に向上し、迅速なピックアンドプレイス ソリューションを約束します。
マスク R-CNN シーン セグメンテーション (detectron2) を利用して、物体の位置特定のためのマーカーに依存せず、物体の外観を事前に知っておく必要がない、自律的な高速空中把握のためのビジョンベースのシステムを提案します。
セグメント化された画像と深度カメラからの空間情報を組み合わせて、検出された物体の高密度点群を生成し、幾何学ベースの把握計画を実行して、物体上の把握点を決定します。
動的把握空中プラットフォームでの実世界実験では、私たちのシステムが物体位置特定のためのモーション キャプチャ システムのパフォーマンスを、ベースライン把握成功率の最大 94.5 % まで再現できることを示しました。
私たちの結果により、飛行プラットフォームでの幾何学ベースの把握技術の初めての使用を示し、既存の空中操作プラットフォームの自律性を高め、倉庫や同様の環境における現実世界のアプリケーションにさらに近づけることを目指しています。

要約(オリジナル)

In a future with autonomous robots, visual and spatial perception is of utmost importance for robotic systems. Particularly for aerial robotics, there are many applications where utilizing visual perception is necessary for any real-world scenarios. Robotic aerial grasping using drones promises fast pick-and-place solutions with a large increase in mobility over other robotic solutions. Utilizing Mask R-CNN scene segmentation (detectron2), we propose a vision-based system for autonomous rapid aerial grasping which does not rely on markers for object localization and does not require the appearance of the object to be previously known. Combining segmented images with spatial information from a depth camera, we generate a dense point cloud of the detected objects and perform geometry-based grasp planning to determine grasping points on the objects. In real-world experiments on a dynamically grasping aerial platform, we show that our system can replicate the performance of a motion capture system for object localization up to 94.5 % of the baseline grasping success rate. With our results, we show the first use of geometry-based grasping techniques with a flying platform and aim to increase the autonomy of existing aerial manipulation platforms, bringing them further towards real-world applications in warehouses and similar environments.

arxiv情報

著者 Erik Bauer,Barnabas Gavin Cangan,Robert K. Katzschmann
発行日 2024-03-05 19:41:54+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク