Institut für
Robotik und Prozessinformatik

Deutsch   English

Probabilistische Objekterkennung

Projektbeschreibung

Die Aufgabe eine Erkennung einer 3d Szene zu realisieren stellt hohe Ansprüche an den Erkennungsprozess. Unterschiedliche Algorithmen zur Sensordatenanalyse und -interpretation müssen entwickelt werden. Fehlerhafte Sensordaten führen häufig zu Mehrdeutigkeiten bei der Szeneninterpretation. Ein verlässliches Erkennungssystem muss verschiedene Informationsquellen integrieren und neue Sensordaten in Abhängigkeit von der aktuellen Szenenkonstellation akquirieren. Ein schwieriges Problem besteht in der richtigen Bewertung unterschiedlicher Merkmale. Insbesondere die Erkennung von Freiformobjekten bereitet erhebliche Probleme, da Merkmale, die auf differentiellen Oberflächeneigenschaften beruhen, sehr fehleranfällig sind. Das statistische Verhalten von Merkmalen und Objekten muss modelliert werden, um diesen Problemen zu begegnen. Die Verwendung von Bayesschen Netzen erlaubt nicht nur das statistische Verhalten, sondern auch die Abhängigkeiten zwischen Merkmalen und Objekten zu beschreiben. Das Beispiel eines Bayesschen Netzes zur Erkennung polyedrischer Objekte ist in der unteren Abbildung dargestellt.

drseitcu_net_print_eng2.gif

Polyederecken repräsentieren hierbei die 3d Merkmale. Ein Bayessches Netz modelliert diese Objektecken als Merkmale für den Erkennungsprozess.

pd_scene.gif

pd_scene_disp.gif
Eine Beispielszene mit polyedrischen Objekten und deren Erkennungsergebnisse

Die automatische Generierung der Bayesschen Netze bildet die Grundlage für eine automatische Konfiguration eines 3d Erkennungssystems. Die Erkennung wird durch zwei aufeinanderfolgende Schritte realisiert (siehe Abbildung unten). Eine off-line Vorverarbeitung generiert die Bayeschen Netze. Die eigentliche Erkennung analysiert eine beobachtete Szenen mit Hilfe dieser Bayesschen Netze und bestimmt die Objekte in der Szene. Die Vorverarbeitung extrahiert hierbei die Merkmale aus CAD-Daten in gleicher Weise wie die Erkennung aus Sensordaten. Die Ähnlichkeiten zwischen den Merkmalen definieren die Abhängigkeiten im Bayesschen Netz.

bkr2.gif
Die Merkmalsextraktion bei der Erzeugung der Bayesschen Netze erfolgt analog zur Erkennung

Randkurven stellen ebenfalls sehr diskriminative Merkmale bereit. Eine Randkurve trennt zwei Oberflächensegmente und kann sowohl aus CAD- als auch aus Tiefendaten extrahiert werden. Die Randkurve wird durch Krümmungs- und Torsionswerte eindeutig beschrieben. Die Randkurven werden in Teilkurven zerlegt. Dies ermöglicht den Aufbau eines dreistufigen hierarchischen Bayesschen Netzes. Blattknoten werden durch Teilkurven und Wurzelknoten werden durch Objekte repräsentiert. Eine Zwischenschicht beschreibt die Randkurven. Für die 3d Objekterkennung in einer Roboterarbeitszelle wurde eine flexible Tiefdatengewinnung basierend auf dem kodierten Lichtansatz (CLA) realisiert. Diese erlaubt eine flexible Tiefendatengwinnung aus unterschiedlichen Sichten. Hiermit wurden unterschiedliche Anwendungen in Roboterarbeitszellen realisiert:

bkr3.gif
3d Objekterkennung für die Vereinzelung von polyedrischen Szenen


adept2.gif
3d Objekterkennung von Brems- und Keilriemenscheiben


bkr5.gif
Eine Szene mit einander stark überlappenden Freiformobjekten und zugehörigem Erkennungsergebnis


It took 0.23s to generate this page.