采用随机蕨回归的工业零件六维姿态估计

摘要

随着工业机器入应用领域的不断发展，物体的六维位姿估计是成为当下进一步提高自动化水平的一个重要研究内容。通过自动化的视觉系统对工业零件进行位姿估计，可以简化对机器人操作点位的部署过程，大大解放人力，从而提高工业生产的效率。本文面向目前柔性制造领域中工业零部件存在姿态随机、存在局部遮挡等问题提出了一套简单易用的物体六维位姿估计算法框架，其核心思想是通过仿真环境借助级联回归框架来构建物体位姿估计模型。本文主要研究内容与成果如下:
　　归纳整理了随机蕨算法应用于回归问题的解决方案，并提出了一种面向大噪声干扰增加掩码机制的改进随机蕨回归算法。随机蕨算法在研究初期被用于解决分类问题，具有比随机森林算法更为优秀的精度以及效率，但缺点在于不能应用于回归问题。本文通过总结前人经验，给出了随机蕨算法应用于回归问题的解决方案。并针对实际问题中很多特征输入存在较大干扰的情况，提出了一套改进的随机蕨算法。经过本文改进后的随机蕨算法可以利用较易获取的特征置信度掩码进行有选择作出修正，使得随机蕨算法在遇到局部大噪声干扰的情况下仍然可以保持较好的回归精准度，提升了鲁棒性。
　　搭建了一套深度相机仿真环境平台，通过借助OpenGL工具，能够实现在短时间内给出大量带有真值标注的仿真深度图像数据。这些仿真数据可以用于训练对应工业零件的位姿估计模型，从而为物体位姿估计算法开发提供了高效方便的基础环境。该仿真环境能够预先加载工业现场的深度背景信息，同时也可以模拟复杂环境下物体被随机遮挡的情况，使得最后得到的仿真深度图像更为真实以及丰富，从而让位姿估计模型的训练结果与真实数据训练出的模型更为接近。最后还提出了如何对真实深度相机采集到的深度图像中的空洞进行修补的办法，进一步缩小了仿真深度图像与真实深度图像之间差别。
　　提出了一种像素差特征的图像特征描述方法和采用改进随机蕨回归的物体六维位姿估计算法。首先提出了一种基于深度图像中的像素差特征的全新深度图像特征描述方法。该特征描述方法具有非常高的计算效率，同时具有尺度不变性，能够很好捕捉深度图像中指定位置的物体位姿信息。然后采用有监督学习的特征哈希表达方法，显著提高原始特征的信噪比，使得物体位姿估计模型的训练更加鲁棒。随后借助本文提出的随机蕨回归算法，提出了一套针对物体位姿估计的级联回归算法框架，修正了普通级联回归算法框架中回归目标过于固定的不足。最后还利用改进后的随机蕨回归算法，提出了一种遮挡情况下物体位姿估计算法，以及利用位姿回归所用的特征描述进行物体检测，形成一套完整的从物体定位到物体位姿估计算法框架。

目录

声明

致谢

摘要

第一章 绪论

1．1 研究背景

1．2 研究现状与趋势

1．2．1 物体位姿估计方法分类

1．2．2 集成学习算法

1．2．3 级联回归算法框架

1．2．4 物体的六维位姿估计

1．3 本文研究内容

1．4 本文结构安排

第二章 随机蕨算法的改造与应用

2．1 概述

2．2 随机蕨算法基本原理

2．3 拟合回归问题下的随机蕨算法

2．4 大噪声干扰下的随机蕨回归算法

2．5 实验结果与分析

2．6 本章小结

第三章 基于OpenGL的深度相机仿真环境搭建

3．1 概述

3．2 仿真数学模型

3．3 仿真环境搭建

3．3．1 仿真流程及细节

3．3．2 模拟深度数据噪声

3．4 实验结果与分析

3．5 本章小结

第四章 级联随机蕨回归框架下的物体六维位姿估计

4．2 深度图像上的特征设计

4．2．1 深度图像块的特征描述

4．2．2 特征哈希处理

4．3 针对位姿估计的级联回归框架设计

4．4 遮挡情况下的物体位姿估计

4．5 物体检测与物体位姿估计的结合

4．6 实验结果与分析

4．6．1 利用物体位姿特征进行物体检测实验

4．6．2 无遮挡情况下的物体六维位姿估计实验

4．6．3 有遮挡情况下的物体六维位姿估计实验

4．7 本章小结

第五章 总结和展望

5．1 总结

5．2 展望

参考文献

作者简历