Semantic 3D scene segmentation for robotic assembly process execution

要約

ロボット プログラムを環境の変化に適応させることは、業界でよく知られている問題であり、中小企業 (SME) で多くの面倒な作業が自動化されていない理由です。
点群から作成されたロボットのこれまで知られていなかった環境のセマンティック ワールド モデルは、これらの企業が、通常は人間が実行するアセンブリ タスクを自動化する 1 つの方法です。
産業環境におけるロボット マニピュレーターまたはコボットの点群のセマンティック セグメンテーションは、適切なデータセットが不足しているため、ほとんど注目されていません。
このホワイト ペーパーでは、点群セマンティック セグメンテーションのモデルをトレーニングするために、特定のユース ケース用の合成点群を作成するためのパイプラインについて説明します。
私たちのデータでトレーニングされたモデルは、目に見えない実世界のデータのセマンティック ポイント クラウド セグメンテーションで、クラスごとに高い精度 (> 90%) を達成することを示しています。
私たちのアプローチは、トレーニング データの生成に使用される 3D カメラだけでなく、さまざまなテクノロジに基づく他の深度カメラにも適用できます。
この作業でテストされたアプリケーションは、業界関連のペグ イン ザ ホール プロセスです。
当社のアプローチにより、ロボットの試運転中のユーザー支援の必要性を最小限に抑えることができます。

要約(オリジナル)

Adapting robot programmes to changes in the environment is a well-known industry problem, and it is the reason why many tedious tasks are not automated in small and medium-sized enterprises (SMEs). A semantic world model of a robot’s previously unknown environment created from point clouds is one way for these companies to automate assembly tasks that are typically performed by humans. The semantic segmentation of point clouds for robot manipulators or cobots in industrial environments has received little attention due to a lack of suitable datasets. This paper describes a pipeline for creating synthetic point clouds for specific use cases in order to train a model for point cloud semantic segmentation. We show that models trained with our data achieve high per-class accuracy (> 90%) for semantic point cloud segmentation on unseen real-world data. Our approach is applicable not only to the 3D camera used in training data generation but also to other depth cameras based on different technologies. The application tested in this work is a industry-related peg-in-the-hole process. With our approach the necessity of user assistance during a robot’s commissioning can be reduced to a minimum.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google