Método aprimorado de estimativa de pose 6D promete melhor manuseio de objetos robóticos

Trabalhos recentes na estimativa de pose de objeto 6D têm promessa significativa para o avanço da robótica, realidade aumentada (AR), realidade virtual (VR) e navegação autônoma. A pesquisa, publicada no Jornal Internacional de Ciência Computacional e EngenhariaIntroduz um método que aprimora a precisão, generalização e eficiência da determinação da rotação e tradução de um objeto de uma única imagem. Isso pode melhorar significativamente a capacidade dos robôs de interagir com objetos, especialmente em ambientes dinâmicos ou obstruídos.

Na robótica, a estimativa de pose de objeto 6D refere-se à determinação da orientação (rotação) e posição (tradução) de um objeto no espaço tridimensional. “6d” descreve seis graus de liberdade: três para tradução (eixos x, y, z) e três para rotação (ao redor desses eixos). A estimativa precisa da pose é crítica para sistemas autônomos, incluindo robôs e sistemas AR/VR.

Os desafios surgem devido a variações nas formas de objetos, pontos de vista e demandas computacionais. Os métodos atuais dependem de técnicas de aprendizado profundo usando grandes conjuntos de dados de objetos visualizados de vários ângulos. Esses modelos lutam com objetos invisíveis ou com formas diferentes dos dados de treinamento.

A nova técnica discutida por Zhizhong Chen, Zhihang Wang, Xue Hui Xing e Tao Kuai, do Instituto Northwest de Engenharia Mecânica e Elétrica, na cidade de Xianyang, China, aborda os vários desafios, incorporando a rota de rotação.

Isso permite que o sistema processe a nuvem de ponto 3D de um objeto, independentemente de sua orientação, levando a previsões de pose mais precisas, mesmo quando o objeto é girado ou visto a partir de ângulos desconhecidos. A rede usa um conjunto consistente de coordenadas, conhecidas como coordenadas canônicas, que representam o objeto em um quadro de referência não afetado por rotação. Essa inovação melhora a capacidade do sistema de generalizar para novas poses, superando uma limitação dos métodos convencionais.

A nova abordagem não é apenas mais precisa, mas também é mais eficiente e, portanto, precisa de menos dados de treinamento e menos energia do computador, tornando-o mais adequado para aplicativos em tempo real do mundo real.