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

현대 제조의 분주한 세계에서, 로봇은 부품을 조립하고, 구성 요소를 분류하며, 상자를 쌓는 섬세한 작업을 점점 더 많이 맡게 되고 있습니다. 이를 수행하기 위해 로봇은 물체가 정확히 어디에 있는지, 그리고 공간상에서 어떻게 회전되어 있는지를 알아야 합니다. 이를 6차원 포즈 추정(six-dimensional pose estimation)이라고 하며, 이는 단순히 물체의 3차원 위치와 3차원 방향을 정확히 찾아내는 것을 의미합니다. 독특한 모양의 물체에게는 이 작업이 간단해 보일 수 있지만, 물체가 대칭형일 경우 이는 심오한 난제가 됩니다. 평범한 금속 원기둥이나 평평한 정사각형 판을 생각해 보십시오. 이러한 모양은 여러 각도에서 보아도 동일하게 보입니다. 컴퓨터 비전 시스템에게 90도 회전한 원기둥은 원래의 모습과 똑같아 보이며, 이는 로봇이 어느 쪽이 위쪽인지 또는 어느 쪽이 앞면인지를 구분할 수 없게 만드는 혼란스러운 상황을 초래합니다. 이러한 모호함은 표준 시각 시스템을 좌절시켜, 생산 라인 전체를 멈추게 할 수 있는 오류를 일으킵니다.

상하이 과학기술대학교의 연구진은 표면에 질감이 없고 대칭적 특성을 가진 물체들에 초점을 맞추어 이 특정 문제를 해결하기 위한 새로운 접근 방식을 개발했습니다. SO6D라고 불리는 그들의 방법은 이 과제를 단 한 번의 추측이 아니라 인코딩, 투표, 정교화의 구조화된 과정으로 다룹니다. 모든 점이 고유하다고 가정하며 물체의 모든 세부 사항을 3D 모델과 일치시키려 노력하는 대신, 연구팀은 물체의 서로 다른 부분들이 실제로는 동일하다는 것을 인식하는 시스템을 설계했습니다. 그들은 물체의 표면을 도시가 블록으로 나뉘는 것과 유사하게 격자 구조로 구성함으로써 이를 달성했는데, 여기에는 특별한 규칙이 있었습니다. 서로 거울 이미지 관계에 있는 점들은 동일한 디지털 레이블을 부여받는다는 것입니다. 이는 컴퓨터가 대칭적인 특징을 보았을 때 혼동하지 않도록 보장하며, 동일한 부분을 별개의 상충하는 단서가 아닌 동일한 것으로 취급하게 합니다.

물체가 이러한 대칭 인식 코드로 레이블링되면, 시스템은 다음 단계인 물체의 중심을 찾는 단계로 넘어갑니다. 컴퓨터가 물체를 바라보며 보이는 모든 점에게 "만약 당신이 완벽한 원의 일부라면, 중심은 어디에 있겠습니까?"라고 묻는 장면을 상상해 보십시오. 각 점은 공간상의 특정 위치를 향해 투표를 던집니다. 시스템은 이 모든 투표를 수집하여 투표가 가장 많이 겹치는 지점을 찾아냄으로써 효과적으로 물체의 중심을 정확히 짚어냅니다. 이는 물체의 일부가 가려져 있거나 조명이 좋지 않은 상황에서도 중심을 찾는 견고한 방법입니다. 중심을 찾은 후, 시스템은 물체의 방향을 결정합니다. 병처럼 축을 중심으로 대칭인 물체의 경우, 중심을 관통하는 선을 계산합니다. 상자처럼 평면을 기준으로 대칭인 물체의 경우, 물체를 반으로 나누는 평평한 면을 계산합니다. 이는 데이터 포인트들을 통해 최적의 선이나 평면을 찾아내는 수학적 기법을 사용하여 초기 관찰의 노이즈나 오류를 매끄럽게 보정하며 수행됩니다.

마지막 단계는 포즈를 확정하기 위한 세심한 정교화 과정을 포함합니다. 시스템은 초기 추측치를 바탕으로 로봇의 시야와 3D 모델 사이의 거리를 끊임없이 확인하며 일련의 조정을 수행합니다. 그러나 모든 점을 맹목적으로 일치시키려다 잘못된 답에 갇힐 수 있는 기존 방식과 달리, 이 시스템은 앞서 만든 특별한 코드를 사용합니다. 이 시스템은 대칭을 깨뜨리는 방식으로 왼쪽을 오른쪽과 일치시키려 하지 않도록, 오직 동일한 대칭 코드를 공유하는 점들만을 비교합니다. 이를 통해 시스템은 물체의 일부가 가려진 상황에서도 빠르고 정확하게 올바른 위치로 수렴할 수 있습니다.

연구진은 대칭 및 비대칭 물체가 모두 포함된 두 가지 잘 알려진 데이터 세트를 통해 그들의 방법을 테스트했습니다. 일반적인 가전제품 세트를 포함한 데이터 세트에서의 테스트 결과, 그들의 시스템은 대칭형 물체의 위치와 각도를 정확하게 식별하는 데 있어 기존의 선도적인 방법들보다 뛰어난 성능을 보이며 더 높은 성공률을 달성했습니다. 대칭성을 테스트하기 위해 특별히 설계된 더 까다로운 데이터 세트에서도, 이 새로운 접근 방식은 특히 3D 모델을 실제 물체와 얼마나 잘 정렬할 수 있는지에 대한 측면에서 상당한 정확도 향상을 보여주었습니다. 시스템은 강한 그림자나 물체의 일부만 보이는 어려운 조건에서도 작동할 수 있음을 입증했는데, 이는 종종 다른 시스템들을 실패하게 만드는 요인들입니다. 이 방법은 각 유형의 물체에 대해 특정 모델을 학습시키는 과정이 필요하지만, 그 결과는 산업 현장에서 가져다주는 신뢰성을 고려할 때 충분히 가치 있는 일임을 시사합니다. 이 연구는 컴퓨터에게 대칭에 맞서 싸우는 대신 대칭을 이해하도록 명시적으로 가르침으로써, 기계가 새로운 수준의 정밀도로 세상을 파악하고 조작할 수 있음을 보여줍니다.