当前位置: 首页 >> 机械五金件

算法快速找到密集点云中的隐藏对象

2021-07-29 来源:兴义市机械信息网

算法快速找到密集点云中的隐藏对象

麻省理工学院开发的一项新技术使机器人能够快速识别隐藏在三维数据云中的对象,这让人想起某些人如何以正确的方式观察密集的“魔术眼”图像。

算法快速找到密集点云中的隐藏对象 中国机械网,okmao.com

机器人通常通过传感器“看到”他们的环境,这些传感器收集视觉场景并将其转换为点矩阵。想想“矩阵”的世界,除了虚构人物Neo看到的1和0被点(很多点)代替,其图案和密度勾勒出特定场景中的对象中国机械网okmao.com。

试图从这样的点云或点云中选出对象的常规技术可以做到速度或准确性,但不能两者兼而有之。

研究人员说,利用他们的新技术,机器人可以在接收视觉数据的几秒钟之内,准确地拾取物体,例如小动物,否则该物体会被密集的点云所遮盖。

该团队说,该技术可用于改善机器感知必须既快速又准确的许多情况,包括工厂和家庭中的无人驾驶汽车和机器人助手。

麻省理工学院实验室的成员,航空航天学助理教授卢卡·卡洛恩说:“这项工作令人惊讶的是,如果我要求您在成千上万的点云中找到一个兔子,那是不可能的。”

用于信息和决策系统(LIDS)。“但是我们的算法能够通过所有这些杂物看到物体。因此,在定位物体时,我们已经达到了超人的性能水平。”

Carlone和研究生Heng Yang将在本月晚些时候在德国举行的机器人技术:科学与系统会议上介绍该技术的细节。

“失败而不知道”

当前,机器人试图通过将模板对象(一个对象(例如兔子)的3D点表示)与可能包含该对象的真实世界的点云表示进行比较,来识别点云中的对象。模板图像包括“特征”或点的集合,这些点表示该对象(例如兔子的耳朵或尾巴)的特征曲率或角度。

现有算法首先从现实生活中的点云中提取相似的特征,然后尝试将那些特征与模板的特征进行匹配,最后旋转并将这些特征与模板对齐,以确定点云是否包含所讨论的对象。

但是,流入机器人传感器的点云数据始终包含错误,这些错误以错误位置或错误间距的点的形式出现,这会极大地混淆特征提取和匹配的过程。结果,机器人会在点云之间建立大量错误的关联,或者被研究人员称为“异常值”,最终会误识别对象或完全错过它们。

卡洛恩(Carne)说,先进的算法能够在特征匹配后从良好的关联中筛选出不良的关联,但是它们可以在“指数时间内”进行筛选,这意味着即使是一堆处理繁重的计算机,也可以在密集的计算机中进行筛选使用现有算法的点云数据,将无法在合理的时间内解决问题。这种技术虽然准确无误,但对于分析包含密集点云的较大的实际数据集却不切实际。

其他可以快速识别特征和关联的算法会仓促执行,从而在过程中产生大量异常值或误检测,而不会意识到这些错误。

卡洛恩说:“如果这是在自动驾驶汽车上或任何对安全性要求很高的应用上运行,那将是可怕的。” “不知道自己是否失败就失败是算法可以做的最糟糕的事情。”

当前,机器人试图通过将模板对象(一个对象(例如兔子)的3D点表示)与可能包含该对象的真实世界的点云表示进行比较,来识别点云中的对象。图片来源:麻省理工学院的Christine Daniloff

轻松的视野

Yang和Carlone而是设计了一种在“多项式时间”中修剪异常值的技术,这意味着即使对于越来越密集的点云,它也可以快速执行。因此,该技术可以快速,准确地识别隐藏在混乱场景中的对象。

研究人员首先使用常规技术从点云中提取模板对象的特征。然后,他们开发了一个三步过程,以将点云中对象的大小,位置和方向与模板对象进行匹配,同时从不良特征关联中识别出良好。

该团队开发了一种“自适应投票方案”算法,以修剪异常值并匹配对象的大小和位置。对于大小,该算法在模板和点云特征之间建立关联,然后比较模板中的特征与点云中相应特征之间的相对距离。例如,如果点云中两个要素之间的距离是模板中相应点的距离的五倍,则该算法将“投票”分配给以下假设:对象比模板对象大五倍。

该算法对每个功能关联都执行此操作。然后,该算法选择属于投票最多的大小假设的那些关联,并在删除掉其他关联的同时将其识别为正确的关联。以这种方式,该技术同时揭示了正确的关联以及由这些关联表示的对象的相对大小。使用相同的过程确定对象的位置。

研究人员开发了一种单独的旋转算法,该算法可在三维空间中找到模板对象的方向。

为此,这是一项极其棘手的计算任务。想象一下拿着杯子然后试图倾斜它,以匹配可能是同一杯子的东西的模糊图像。您可以倾斜马克杯的角度有很多,每个角度都有一定的可能性匹配模糊的图像。

现有技术通过将对象的每种可能的倾斜或旋转视为“成本”来解决此问题-成本越低,旋转越可能在要素之间产生精确的匹配。每个旋转和相关的成本都在由多个山丘和山谷组成的各种地形图中表示,较低的海拔与较低的成本相关联。

但是卡洛恩说,这很容易混淆算法,尤其是当有多个波谷且没有可分辨的最低点表示对象的特定旋转与点云中对象的真实,精确匹配时。取而代之的是,该团队开发了一种“凸松弛”算法,该算法简化了地形图,其中一个谷底代表了最佳旋转角度。

通过这种方式,该算法能够快速识别旋转,该旋转定义了点云中对象的方向。

通过他们的方法,该团队能够快速准确地识别隐藏在密度不断增加的点云中的三个不同的物体(兔子,龙和佛陀)。他们还能够识别现实场景中的对象,包括起居室,其中算法迅速发现麦片盒和棒球帽。

卡洛恩说,由于该方法能够在“多项式时间内”工作,因此可以轻松扩展以分析更密集的点云,例如,类似于无人驾驶汽车的传感器数据的复杂性。

卡洛恩说:“导航,协作制造,家用机器人,搜索和救援以及自动驾驶汽车是我们希望产生影响的地方。”

友情链接