I ricercatori della Rutgers University hanno recentemente sviluppato un approccio probabilistico per costruire modelli 3D di oggetti sconosciuti mentre vengono manipolati da un robot. Il loro approccio, delineato in un documento pre-pubblicato su arXiv, utilizza un motore fisico per verificare le geometrie ipotizzate nelle simulazioni.

La maggior parte dei primati impara naturalmente a manipolare una varietà di oggetti nei primi anni di vita. Replicando questa capacità apparentemente banale nei robot, però, si è rivelato finora molto impegnativo.

Studi precedenti hanno cercato di raggiungere questo obiettivo utilizzando una varietà di algoritmi di manipolazione, che tipicamente richiedono la conoscenza dei modelli geometrici associati agli oggetti che il robot manipolerà. Questi modelli possono essere utili se gli oggetti incontrati dal robot sono noti in anticipo, eppure spesso falliscono quando questi oggetti sono sconosciuti.

"Consideriamo in particolare le attività di manipolazione in pile di disordine che contengono oggetti precedentemente invisibili, I ricercatori della Rutgers University hanno scritto nel loro articolo. "Uno degli aspetti nuovi di questo lavoro è l'utilizzo di un motore fisico per verificare le geometrie ipotizzate nella simulazione. Le prove fornite dalle simulazioni fisiche vengono utilizzate in un quadro probabilistico che spiega il fatto che le proprietà meccaniche degli oggetti sono incerte".

Il sistema integrato sviluppato dai ricercatori ha diversi componenti:un manipolatore robotico, un modulo di segmentazione e clustering, e un'unità di ragionamento fisico inverso. Il manipolatore robotico è progettato per spingere o colpire oggetti in un mucchio di disordine, mentre il modulo di segmentazione e clustering può rilevare oggetti nelle immagini RGB-D.

Finalmente, l'unità di ragionamento fisico inverso, che è il tratto distintivo del loro approccio, deduce parti mancanti di oggetti riproducendo le azioni del robot nella simulazione. Essenzialmente, l'unità utilizza più forme ipotizzate e assegna probabilità più elevate a quelle che meglio corrispondono alle immagini RGB-D osservate.

I ricercatori hanno sviluppato un algoritmo di ragionamento fisico inverso (IPR) che può dedurre parti occluse di oggetti in base ai loro movimenti osservati e alle interazioni reciproche. Per addestrare e valutare il loro sistema, hanno utilizzato due set di dati:un set di dati Voxlets e un nuovo set di dati creato utilizzando oggetti benchmark YCB. Il set di dati Voxlets contiene immagini statiche di oggetti da tavolo, mentre il nuovo database da loro compilato include pile di oggetti più dense.

Il team ha valutato il nuovo approccio in una serie di esperimenti utilizzando un braccio robotico Kuka montato su una piattaforma mobile Clearpath e dotato di una mano Robotiq e di una fotocamera per il rilevamento della profondità. In questi test, il robot è stato presentato con oggetti sconosciuti in diversi scenari. I risultati raccolti dai ricercatori sono stati molto promettenti, con il loro algoritmo IPR che deduce le forme meglio di altri approcci.

"Gli esperimenti che utilizzano un robot mostrano che questo approccio è efficiente per la costruzione di modelli 3D fisicamente realistici, che può essere utile per la pianificazione della manipolazione, " hanno scritto i ricercatori. "Gli esperimenti mostrano anche che l'approccio proposto supera in modo significativo gli approcci alternativi in ​​termini di accuratezza della forma".

Il nuovo approccio probabilistico presentato dai ricercatori potrebbe aiutare a migliorare le prestazioni dei robot nelle attività di manipolazione. Nel loro lavoro futuro, hanno in programma di sviluppare ulteriormente il loro approccio, in modo che possa dedurre simultaneamente modelli 3D e meccanici.

© 2019 Scienza X Rete