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

要約

【タイトル】EasyHeC：異なる描画と空間探索を介して正確かつ自動的に手目のキャリブレーションを実現する

【要約】
・ロボット工学において、手目のキャリブレーションは操作や掴むといった重要な作業に直接影響を与えるため、重要なタスクである。
・これまでの手法では、ジョイントポーズの設計と専用のキャリブレーションマーカーの使用が必要であり、最近ではポーズ回帰のみを使用した学習ベースのアプローチでも誤差の診断能力が制限されていた。
・EasyHeCは、マーカーレスでホワイトボックスであり、ロボット構成空間全体にわたる配置精度の包括的カバレッジを提供する、新しい手目のキャリブレーション手法を提案する。
・カメラポーズの最適化に異なる描画ベースの手法を導入し、CMUVERSEモデルと呼ばれるデータセットを使用し、1000回のトライアルで訓練したモデルで精度を検証した。
・ジョイントスペース探索に基づく一貫性により、キャリブレーションプロセスの精度をエンドツーエンドで最適化し、ロボットジョイントポーズの煩雑な手動設計を必要なくする。
・評価実験では、合成および実世界データセットにおいて優れたパフォーマンスを発揮し、オブジェクトの位置を特定し、相互作用するための正確なカメラ姿勢を提供することにより、下流の操作タスクを強化することができる。
・プロジェクトページ（https://ootts.github.io/easyhec）でコードが公開されている。

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 offers comprehensive coverage of positioning accuracy across the entire robot configuration space. We introduce 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, OpenAI