SO6D: Symmetry-aware Octree Encoding for Textureless Objects’ 6D Pose Estimation

आधुनिक विनिर्माण की हलचल भरी दुनिया में, रोबोटों को तेजी से पुर्जों को जोड़ने, घटकों को छाँटने और बक्सों को व्यवस्थित करने के नाजुक कार्यों के लिए नियुक्त किया जा रहा है। ऐसा करने के लिए, एक रोबोट को यह जानने की आवश्यकता है कि कोई वस्तु ठीक कहाँ है और अंतरिक्ष में वह किस ओर मुड़ी हुई है। इसे छह-आयामी (six-dimensional) पोज़ अनुमान (pose estimation) कहा जाता है, जिसका सरल अर्थ है किसी वस्तु के त्रि-आयामी स्थान और उसके त्रि-आयामी ओरिएंटेशन (अभिविन्यास) का सटीक पता लगाना। हालांकि यह एक विशिष्ट आकार वाली वस्तु के लिए सीधा लग सकता है, लेकिन जब वस्तु सममित (symmetrical) होती है, तो यह एक गहन पहेली बन जाता है। एक सादे धातु के सिलेंडर या एक सपाट चौकोर प्लेट के बारे में सोचें; ये आकार कई अलग-अलग कोणों से एक जैसे ही दिखते हैं। एक कंप्यूटर विज़न सिस्टम के लिए, नब्बे डिग्री घुमाया गया सिलेंडर मूल वस्तु के समान ही दिखता है, जिससे एक भ्रमित करने वाली स्थिति पैदा होती है जहाँ रोबोट यह नहीं बता पाता कि कौन सा हिस्सा ऊपर है या कौन सा हिस्सा सामने की ओर है। यह अस्पष्टता मानक विज़न सिस्टमों को लड़खड़ाने पर मजबूर कर देती है, जिससे ऐसी त्रुटियां होती हैं जो पूरी उत्पादन लाइन को रोक सकती हैं।

शंघाई यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जो उन वस्तुओं पर केंद्रित है जिनमें सतह की बनावट (texture) का अभाव है और जिनमें सममित गुण मौजूद हैं। उनकी विधि, जिसे SO6D कहा जाता है, इस चुनौती को एक एकल अनुमान के रूप में नहीं, बल्कि एन्कोडिंग, वोटिंग और रिफाइनमेंट (परिष्करण) की एक संरचित प्रक्रिया के रूप में देखती है। हर छोटी बारीकी को 3D मॉडल से इस तरह मिलाने के बजाय, जो यह मान लेता है कि प्रत्येक बिंदु अद्वितीय है, टीम ने एक ऐसी प्रणाली डिजाइन की जो पहचान करती है कि वस्तु के विभिन्न भाग वास्तव में एक ही हैं क्योंकि वे सममित हैं। उन्होंने यह उपलब्धि वस्तु की सतह को एक ग्रिड जैसी संरचना में व्यवस्थित करके हासिल की, जो बिल्कुल वैसे ही है जैसे एक शहर को ब्लॉकों में विभाजित किया जाता है, लेकिन एक विशेष नियम के साथ: जो बिंदु एक-दूसरे के दर्पण प्रतिबिंब (mirror images) हैं, उन्हें बिल्कुल एक ही डिजिटल लेबल दिया जाता है। यह सुनिश्चित करता है कि कंप्यूटर तब भ्रमित न हो जब वह एक सममित विशेषता देखता है, जिससे वह समान भागों को अलग-अलग, विरोधाभासी संकेतों के बजाय एक समान मानता है।

एक बार जब वस्तु को इन सममिति-जागरूक (symmetry-aware) कोडों के साथ लेबल कर दिया जाता है, तो सिस्टम अगले चरण की ओर बढ़ता है: वस्तु के केंद्र को खोजना। कल्पना करें कि कंप्यूटर वस्तु को देख रहा है और प्रत्येक दृश्य बिंदु से पूछ रहा है, "यदि आप एक पूर्ण वृत्त का हिस्सा होते, तो केंद्र कहाँ होता?" प्रत्येक बिंदु अंतरिक्ष में एक विशिष्ट स्थान के लिए वोट देता है। सिस्टम इन सभी वोटों को एकत्र करता है और उस स्थान को ढूंढता है जहाँ वे सबसे अधिक ओवरलैप होते हैं, जिससे प्रभावी रूप से वस्तु का केंद्र मिल जाता है। केंद्र खोजने का यह एक मजबूत तरीका है, भले ही वस्तु के कुछ हिस्से छिपे हों या रोशनी खराब हो। केंद्र खोजने के बाद, सिस्टम वस्तु के ओरिएंटेशन (अभिविन्यास) को निर्धारित करता है। उन वस्तुओं के लिए जो एक अक्ष (axis) के चारों ओर सममित हैं, जैसे कि एक बोतल, यह बीच से गुजरने वाली रेखा की गणना करता है। उन वस्तुओं के लिए जो एक सपाट तल (plane) के पार सममित हैं, जैसे कि एक बॉक्स, यह उस सपाट सतह की गणना करता है जो वस्तु को दो भागों में विभाजित करती है। यह एक गणितीय तकनीक का उपयोग करके किया जाता है जो डेटा बिंदुओं के माध्यम से सबसे उपयुक्त रेखा या तल को खोजती है, जिससे प्रारंभिक दृश्य के शोर या त्रुटियों को सुधारा जा सके।

अंतिम चरण में पोज़ को लॉक करने के लिए एक सावधानीपूर्वक रिफाइनमेंट प्रक्रिया शामिल है। सिस्टम अपने प्रारंभिक अनुमान को लेता है और समायोजन की एक श्रृंखला करता है, लगातार रोबोट के दृश्य और 3D मॉडल के बीच की दूरी की जांच करता है। हालाँकि, पुराने तरीकों के विपरीत जो गलत उत्तर पर अटक सकते हैं क्योंकि वे अंधाधुंध बिंदुओं को मिलाने की कोशिश करते हैं, यह प्रणाली पहले बनाए गए विशेष कोडों का उपयोग करती है। यह केवल उन्हीं बिंदुओं की तुलना करता है जो एक ही सममिति कोड साझा करते हैं, यह सुनिश्चित करते हुए कि यह कभी भी बाएं हिस्से को दाएं हिस्से से इस तरह न मिलाए जिससे सममिति टूट जाए। यह सिस्टम को सही स्थिति पर तेजी से और सटीकता से पहुँचने की अनुमति देता है, भले ही वस्तु आंशिक रूप से दिखाई दे रही हो।

शोधकर्ताओं ने अपने तरीके का परीक्षण डेटा के दो प्रसिद्ध संग्रहों पर किया जिसमें सममित और असममित दोनों प्रकार की वस्तुएं शामिल थीं। घरेलू वस्तुओं के एक सेट से संबंधित परीक्षणों में, उनके सिस्टम ने पिछले अग्रणी तरीकों को पछाड़ दिया, और सममित वस्तुओं के स्थान और कोण को सही ढंग से पहचानने में उच्च सफलता दर हासिल की। एक अधिक चुनौतीपूर्ण डेटासेट पर, जिसे विशेष रूप से सममिति का परीक्षण करने के लिए डिज़ाइन किया गया था, नए दृष्टिकोण ने सटीकता में महत्वपूर्ण सुधार दिखाया, विशेष रूप से यह कि वह वास्तविक दुनिया की वस्तु के साथ 3D मॉडल को कितनी अच्छी तरह संरेखित (align) कर सकता है। सिस्टम ने कठिन परिस्थितियों को संभालने की क्षमता प्रदर्शित की, जैसे कि गहरी छाया और आंशिक रूप से दिखाई देने वाली वस्तुएं, जो अक्सर अन्य प्रणालियों को विफल कर देती हैं। हालांकि इस पद्धति के लिए प्रत्येक प्रकार की वस्तु के लिए एक विशिष्ट मॉडल को प्रशिक्षित करने की आवश्यकता होती है, परिणाम बताते हैं कि यह अतिरिक्त कदम औद्योगिक सेटिंग्स में इसके द्वारा लाई जाने वाली विश्वसनीयता के लिए सार्थक है। यह कार्य यह प्रदर्शित करता है कि कंप्यूटर को सममिति के विरुद्ध लड़ने के बजाय उसे समझने के लिए स्पष्ट रूप से सिखाकर, मशीनें एक नए स्तर की सटीकता के साथ दुनिया को समझ और संचालित कर सकती हैं।