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

In de bruisende wereld van de moderne productie krijgen robots steeds vaker de delicate taak toegewezen om onderdelen te assembleren, componenten te sorteren en dozen te stapelen. Om dit te kunnen doen, moet een robot precies weten waar een object zich bevindt en hoe het in de ruimte gedraaid is. Dit staat bekend als zesdimensionale pose-estimatie, een term die simpelweg betekent dat de driedimensionale locatie en de driedimensionale oriëntatie van een object worden vastgesteld. Hoewel dit voor een uniek gevormd item eenvoudig lijkt, wordt het een diepgaande puzzel wanneer het object symmetrisch is. Denk aan een eenvoudige metalen cilinder of een plat vierkant plaatje; deze vormen zien er vanuit veel verschillende hoeken hetzelfde uit. Voor een computervisiestelsel ziet een cilinder die negentig graden gedraaid is, er identiek uit als het origineel, wat een verwarrende situatie creëert waarin de robot niet kan bepalen welke kant boven is of welke zijde naar voren wijst. Deze ambiguïteit zorgt ervoor dat standaard visuele systemen struikelen, wat leidt tot fouten die een hele productielijn kunnen stilleggen.

Onderzoekers aan de University of Shanghai for Science and Technology hebben een nieuwe aanpak ontwikkeld om dit specifieke probleem op te lossen, waarbij de focus ligt op objecten die geen oppervlaktetextuur hebben en symmetrische eigenschappen bezitten. Hun methode, genaamd SO6D, behandelt de uitdaging niet als één enkele gok, maar als een gestructureerd proces van coderen, stemmen en verfijnen. In plaats van te proberen elk klein detail van een object te matchen met een 3D-model op een manier die ervan uitgaat dat elk punt uniek is, heeft het team een systeem ontworpen dat herkent wanneer verschillende delen van een object eigenlijk hetzelfde zijn vanwege symmetrie. Ze bereikten dit door het oppervlak van het object te organiseren in een rasterachtige structructuur, vergelijkbaar met hoe een stad is verdeeld in blokken, maar met een speciale regel: punten die elkaars spiegelbeeld zijn, krijgen exact hetzelfde digitale label. Dit zorgt ervoor dat de computer niet in de war raakt wanneer hij een symmetrisch kenmerk ziet, door identieke delen als identiek te behandelen in plaats van als afzonderlijke, tegenstrijdige aanwijzingen.

Zodra het object is gelabeld met deze symmetrie-bewuste codes, gaat het systeem over naar de volgende fase: het vinden van het centrum van het object. Stel je voor dat de computer naar het object kijkt en elk zichtbaar punt vraagt: "Als jij onderdeel zou zijn van een perfecte cirkel, waar zou het centrum dan zijn?" Elk punt brengt een stem uit voor een specifie�aling locatie in de ruimte. Het systeem verzamelt al deze stemmen en vindt de plek waar ze het meest overlappen, waardoor het centrum van het object effectief wordt vastgesteld. Dit is een robuuste manier om het centrum te vinden, zelfs als delen van het object verborgen zijn of de verlichting slecht is. Na het vinden van het centrum bepaalt het systeem de oriëntatie van het object. Voor objecten die symmetrisch zijn rond een as, zoals een fles, berekent het de lijn die door het midden loopt. Voor objecten die symmetrisch zijn over een vlak, zoals een doos, berekent het het platte oppervlak dat het object in tweeën splitst. Dit gebeurt met een wiskundige techniek die de best passende lijn of het best passende vlak door de datapunten vindt, waardoor ruis of fouten in het initiële beeld worden gladgestreken.

De laatste stap omvat een zorgvuldig verfijningsproces om de pose op zijn plaats te vergrendelen. Het systeem neemt zijn eerste gok en voert een reeks aanpassingen uit, waarbij constant de afstand tussen het beeld van de robot en het 3D-model wordt gecontroleerd. Echter, in tegen tegenover de oudere methoden die in een foutief antwoord kunnen blijven steken omdat ze punten blindelings proberen te matchen, gebruikt dit systeem de eerder gecreëerde speciale codes. Het vergelijkt alleen punten die dezelfde symmetrie-code delen, waardoor het er nooit voor zorgt dat een linkerzijde met een rechterzijde wordt gematcht op een manier die de symmetrie zou verbreken. Dit stelt het systeem in staat om snel en nauwkeurig naar de juiste positie te convergeren, zelfs wanneer een object gedeeltelijk geblokkeerd is vanuit het zicht.

De onderzoekers testten hun methode op twee bekende datasets die zowel symmetrische als asymmetrische objecten bevatten. In tests met een set veelvoorkomende huishoudelijke artikelen presteerde hun systeem beter dan eerdere leidende methoden, waarbij het een hoger succespercentage behaalde in het correct identificeren van de positie en hoek van symmetrische objecten. Op een meer uitdagende dataset die specifiek is ontworpen om symmetrie te testen, toonde de nieuwe aanpak significante verbeteringen in nauwkeurigheid, met name in hoe goed het het 3D-model kon uitlijnen met het echte object. Het systeem bleek in staat om moeilijke omstandigheden aan te kunnen, zoals sterke schaduwen en objecten die slechts gedeeltelijk zichtbaar waren, wat vaak tot falen van andere systemen leidt. Hoewel de methode vereist dat er voor elk type object een specifiek model wordt getraind, suggereren de resultaten dat deze extra stap de moeite waard is voor de betrouwbaarheid die het naar industriële omgevingen brengt. Het werk demonstreert dat door een computer expliciet te leren om symmetrie te begrijpen, in plaats van ertegen te vechten, machines de wereld met een nieuw niveau van precisie kunnen vatten en manipuleren.