Skeleton-Guided Multi-OBB Decomposition for Vision-based Online Collision Detection of Robotic Manipulators in Unknown Environments

Roboter werden zu immer häufigeren Partnern in Fabriken, Lagern und sogar Haushalten, wo sie gemeinsam mit Menschen beim Zusammenbau von Autos, dem Sortieren von Paketen oder dem Bewegen von Möbeln arbeiten. Damit diese Maschinen sicher operieren können, müssen sie über einen zuverlässigen Sinn für ihre Umgebung verfügen und genau wissen, wo sich ihre eigenen Arme und wo sich die sie umgebenden Objekte befinden. Wenn ein Roboter einen Stuhl oder einen Tisch nicht präzise wahrnehmen kann, könnte er fälschlicherweise annehmen, ein sicherer Pfad sei frei, obwohl er tatsächlich blockiert ist, was zu einer Kollision führen kann. Die Herausforderung ist besonders schwierig, wenn die Umgebung unstrukturiert ist und komplexe Formen aufweist, wie etwa einen Hocker mit Beinen und einer Sitzfläche oder ein Regal mit offenen Zwischenräumen. Traditionelle Methoden behandeln diese Objekte oft als einfache, solide Blöcke, um die Berechnungen schnell zu halten, aber dieser Ansatz erzeugt eine „Sicherheitsblase“, die viel zu groß ist, was dazu führt, dass der Roboter unnötigerweise stoppt oder im schlimmsten Fall eine reale Gefahr übersieht. Das Ziel für Ingenieure besteht darin, ein System zu schaffen, das die Welt so sieht, wie sie wirklich ist – komplex und detailliert – und gleichzeitig Entscheidungen schnell genug trifft, um den Roboter sicher in Bewegung zu halten.

Ein Forschungsteam der Henan University hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem es ein System erschafft, das es einem Roboterarm ermöglicht, Kollisionen in Echtzeit innerhalb unbekannter Umgebungen zu erkennen. Ihre Methode, die sie als skelettgestützte Multi-OBB-Zerlegung (skeleton-guided multi-OBB decomposition) bezeichnen, beginnt damit, eine Standardkamera zu verwenden, die sowohl Farb- als auch Tiefeninformationen erfasst, ähnlich den Sensoren, die in modernen Smartphones oder Spielekonsolen zu finden sind. Anstatt zu versuchen, vorab ein perfektes 3D-Modell jedes Objekts zu erstellen, was in einer dynamischen Umgebung unmöglich ist, nutzt das System fortschrittliche künstliche Intelligenz, um Objekte zu identifizieren, sobald sie auftauchen. Sobald ein Objekt erkannt wird, zeichnet das System nicht einfach nur eine einzelne Box darum. Stattdessen analysiert es die interne Struktur des Objekts und sucht nach dem „Skelett“ oder dem Kernrahmen, der die Form zusammenhält, ähnlich wie ein menschliches Skelett die Körperhaltung definiert.

Durch das Verständnis dieses internen Rahmens kann das System ein komplexes Objekt, wie etwa einen Stuhl mit einer hohlen Sitzfläche und separaten Beinen, in mehrere kleinere, engere Abschnitte zerlegen. Jeder Abschnitt wird dann in seine eigene, präzise, angewinkelte Box gehüllt. Dies ist eine deutliche Abkehr von älteren Methoden, die das gesamte Objekt in eine einzige große Box einschlossen und dabei zwangsläufig den leeren Raum zwischen den Beinen und der Sitzfläche als feste Materie behandelten. Durch die Trennung der Teile kann der Roboter sehen, dass der Raum zwischen den Beinen tatsächlich leer und sicher zu durchqueren ist, anstatt eine solide Wand darzustellen. Dies reduziert die Anzahl der Fehlalarme, bei denen der Roboter glaubt, kurz vor einer Kollision zu stehen, obwohl dies nicht der Fall ist. Um sicherzustellen, dass dieser Prozess schnell genug für einen beweglichen Roboter abläuft, fügten die Forscher einen Filterschritt hinzu, der als schnelle Prüfung fungiert. Bevor das System eine detaillierte, komplexe Berechnung durchführt, um zu prüfen, ob zwei Objekte sich berühren, prüft es zuerst, ob die allgemeinen Bereiche, in denen die Objekte existieren, überhaupt nah genug beieinander liegen, um relevant zu sein. Wenn sie weit voneinander entfernt sind, überspringt das System die schwere Mathematik komplett und spart so wertvolle Zeit.

Die Forscher testeten ihr System an einem echten sechsachsigen Industrieroboterarm in einer Laborumgebung, die mit typischen Büromöbeln wie Hockern, Stühlen und Lagerregalen gefüllt war. Sie verglichen ihre neue Methode mit mehreren bestehenden Techniken, die einzelne Boxen oder einfache Formen verwenden, um Hindernisse darzustellen. Die Ergebnisse zeigten, dass ihr Ansatz weitaus genauer darin war, zwischen sicheren Räumen und tatsächlichen Hindernissen zu unterscheiden. Während andere Methoden oft leere Räume als gefährlich einstuften, was zu einer hohen Rate an Fehlalarmen führte, identifizierte das neue System in 83,33 % der Testfälle, in denen keine Kollision tatsächlich stattfand, korrekterweise sichere Wege. Entscheidend war, dass es die Sicherheit perfekt beibehielt, indem es niemals eine reale Kollision übersah und sicherstellte, dass der Roboter stoppte, wenn er tatsächlich kurz vor einem Aufprall stand. Der gesamte Prozess, vom Sehen des Objekts bis zur Entscheidung, ob gestoppt werden muss, dauerte weniger als eine Millisekunde pro Frame – eine Geschwindigkeit, die ausreicht, um mit den schnellen Bewegungen eines Industrieroboters Schritt zu halten.

Die Studie zeigte auch, dass das System robust ist, selbst wenn die Form des Objekts kompliziert oder die Daten der Kamera unvollkommen sind. Als die Forscher verschiedene Möglichkeiten testeten, die Objekte aufzuschlüsseln, fanden sie heraus, dass die Verwendung des internen Struktur-Skeletts weitaus überlegen war gegenüber Methoden, die Punkte lediglich basierend auf ihrer Nähe gruppierten. Methoden, die sich nur auf die Distanz verließen, führten oft dazu, dass separate Teile eines Objekts miteinander verschmolzen oder ein einzelnes Teil in zu viele Stücke zerlegt wurde, was zu Verwirrung führte. Der skelettgestützte Ansatz hingegen produzierte konsistent die richtige Anzahl an Abschnitten, die den natürlichen Teilen des Objekts wie Beinen und Sitzflächen entsprachen. Darüber hinaus fanden die Forscher heraus, dass sich die Geschwindigkeit des Systems nicht signifikant verlangsamte, selbst wenn die Objekte in viele kleine Teile zerlegt wurden, da der initiale Filterschritt die Teile, die weit entfernt waren, effektiv ignorierte. Dies deutet darauf an, dass die Methode nicht nur präzise, sondern auch praktisch für den realen Einsatz ist, wo Umgebungen unordentlich und unvorhersehbar sind.

Obwohl das System in den Tests außergewöhnlich gut abschnitt, merkten die Forscher an, dass die Geschwindigkeit des gesamten Prozesses derzeit durch den visuellen Wahrnehmungsschritt begrenzt wird, der einen Bruchteil einer Sekunde benötigt, um die Objekte zu identifizieren und zu segmentieren. Der eigentliche Kollisionserkennungsteil ist extrem schnell und dauert weniger als eine Millisekunde. Dies bedeutet, dass der gesamte Prozess noch reaktionsschneller werden könnte, wenn der visuelle Teil des Systems in Zukunft schneller gemacht werden kann. Die Arbeit zeigt, dass Roboter durch die Kombination von moderner visueller Intelligenz mit einer klugen Art, komplexe Formen aufzuschlüsseln, in unbekannten Räumen mit einem Sicherheits- und Effizienzniveau navigieren können, das zuvor schwer zu erreichen war. Dieser Fortschritt bringt uns näher an eine Zukunft, in der Roboter frei und sicher neben Menschen in dynamischen, unstrukturierten Umgebungen arbeiten können und Aufgaben bewältigen können, die ein differenziertes Verständnis der physischen Welt erfordern.