Industrial Application of 6D Pose Estimation for Robotic Manipulation in Automotive Internal Logistics

要約

ロボット工学の進歩にもかかわらず、自動車業界の社内物流における部品取り扱いタスクの大部分は自動化されておらず、依然として人間によって実行されています。
これらのプロセスを競争力を持って自動化するための重要なコンポーネントは、多数の異なる部品を処理でき、ほとんど手作業で新しい部品に適応でき、業界の要件に関して十分な精度と堅牢性を備えた 6D 姿勢推定です。
この文脈で、これらの措置に関する現状について疑問が生じます。
これに対処するために、経済的に拡張可能な実データから合成データの生成から姿勢推定器までの最先端のコンポーネントを備えた代表的な 6D 姿勢推定パイプラインを構築し、現実的なシーケンス プロセスに関して自動車部品で評価しました。
データ生成アプローチを使用すると、トレーニングされた 6D 姿勢推定器のパフォーマンスは期待できるものの、業界の要件を満たしていないことがわかりました。
この理由は、十分に正確なポーズを提供する能力ではなく、推定器がポーズの信頼できる不確実性を提供できないことであることを明らかにします。
これに関連して、RGB ベースのアプローチと RGB-D ベースのアプローチがこの背景とどのように比較されるかをさらに分析し、合成データによって引き起こされるドメイン ギャップに対してそれぞれ異なる脆弱性があることを示しました。

要約(オリジナル)

Despite the advances in robotics a large proportion of the of parts handling tasks in the automotive industry’s internal logistics are not automated but still performed by humans. A key component to competitively automate these processes is a 6D pose estimation that can handle a large number of different parts, is adaptable to new parts with little manual effort, and is sufficiently accurate and robust with respect to industry requirements. In this context, the question arises as to the current status quo with respect to these measures. To address this we built a representative 6D pose estimation pipeline with state-of-the-art components from economically scalable real to synthetic data generation to pose estimators and evaluated it on automotive parts with regards to a realistic sequencing process. We found that using the data generation approaches, the performance of the trained 6D pose estimators are promising, but do not meet industry requirements. We reveal that the reason for this is the inability of the estimators to provide reliable uncertainties for their poses, rather than the ability of to provide sufficiently accurate poses. In this context we further analyzed how RGB- and RGB-D-based approaches compare against this background and show that they are differently vulnerable to the domain gap induced by synthetic data.

arxiv情報

著者 Philipp Quentin,Dino Knoll,Daniel Goehring
発行日 2024-04-09 13:33:30+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.LG, cs.RO パーマリンク