Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Memory Efficient Deep Learning-Based Grasping Point Detection of Nontrivial Objects for Robotic Bin Picking
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Journal of Intelligent and Robotic Systems: Theory and Applications
Název nakladatele: Springer Nature BV
Místo vydání: Dordrecht
Strana od-do: nestránkováno
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Paměťově efektivní detekce úchopových bodů netriviálních objektů na základě hlubokého učení pro robotickou manipulaci Vybírání netriviálních předmětů z kontejneru nebo bedny pomocí robotického ramene je běžnou úlohou moderních průmyslových procesů. Zde je navržena účinná datově řízená metoda detekce úchopových bodů založená na paralelní neuronové síti ve tvaru U (ASP U-Net). Metoda přímo poskytuje všechny potřebné informace o dosažitelných úchopových bodech předmětů, které jsou náhodně nebo pravidelně rozmístěny v zásobníku s bočními stěnami. Metoda je navíc schopna vyhodnotit a vybrat optimální úchopový bod z dostupných pro dva typy koncových efektorů - vakuová savka a paralelní gripper. Klíčovým prvkem využité neuronové sítě ASP U-Net je transformace jediného RGB-hloubkového snímku zásobníku obsahujícího netriviální objekty do schematického snímku ve stupních šedi, kde jsou polohy a pozice úchopových bodů zakódovány do gradientních geometrických tvarů. Experimenty provedené v této studii zahrnují rozsáhlou sadu scén s náhodně rozptýlenými, uspořádanými a částečně uspořádanými objekty uspořádanými v bezvadných nebo deformovaných kontejnerech. Výsledky naznačují vynikající přesnost při více než přijatelných výpočetních nárocích. Možnosti škálování metody navíc mohou nabídnout extrémně lehké implementace, použitelné například pro zařízení edge computing s bateriovým napájením s malou kapacitou paměti RAM. Uchopování objektů robotem; Detekce úchopových bodů; Strojové vidění; Hluboké učení
eng Memory Efficient Deep Learning-Based Grasping Point Detection of Nontrivial Objects for Robotic Bin Picking Picking up non-trivial objects from a bin with a robotic arm is a common task of modern industrial processes. Here, an efficient data-driven method of grasping point detection, based on an attention squeeze parallel U-shaped neural network (ASP U-Net) for the bin picking task, is proposed. The method directly provides all necessary information about the feasible grasping points of objects, which are randomly or regularly arranged in a bin with side walls. Moreover, the method is able to evaluate and select the optimal grasping point among the feasible ones for two types of end effectors, i.e., a vacuum cup and a parallel gripper. The key element of the utilized ASP U-Net neural network is the transformation of a single RGB-Depth image of the bin containing nontrivial objects into a schematic grey-scale frame, where the positions and poses of the grasping points are coded into gradient geometric shapes. The experiments carried out in this study include a comprehensive set of scenes with randomly scattered, ordered, and semi-ordered objects arranged in impeccable or deformed bins. The results indicate outstanding accuracy with more than acceptable computational requirements. Additionally, the scaling possibilities of the method can offer extremely lightweight implementations, applicable, for example, to battery-powered edge-computing devices with low RAM capacity. Robotic grasping; Grasping point detection; Machine vision; Bin picking; Deep learning