移動(dòng)協(xié)作機(jī)器人的RGB-D感知的端到端處理方案

作者：Khang Nguyen ,Tuan Dang等

作者機(jī)構(gòu)：Robotics Laboratory, Department of Computer Science and Engineering, University of Texas at Arlington, Arlington

本文提出了一種用于具有雙目視覺的自主機(jī)器人的三維語義場景感知的端到端流程。該流程包括實(shí)例分割、特征匹配和點(diǎn)集配準(zhǔn)。首先，利用RGB圖像進(jìn)行單視圖三維語義場景分割，將2D數(shù)據(jù)集中的常見對(duì)象類封裝為物體實(shí)例的點(diǎn)云。然后，根據(jù)RGB圖像中感興趣對(duì)象之間的匹配關(guān)鍵點(diǎn)提取兩個(gè)連續(xù)分割點(diǎn)云的3D對(duì)應(yīng)點(diǎn)。此外，利用核密度估計(jì)（KDE）估計(jì)的分布對(duì)每對(duì)3D點(diǎn)進(jìn)行加權(quán)，從而在解決點(diǎn)云之間的剛性變換時(shí)給出了更少中心對(duì)應(yīng)點(diǎn)的魯棒性。最終，在7自由度雙臂Baxter機(jī)器人上測試了該流程，結(jié)果表明機(jī)器人可以成功分割對(duì)象、在移動(dòng)時(shí)注冊(cè)多個(gè)視圖并抓取目標(biāo)對(duì)象。

讀者理解：

這篇文章介紹了一種用于移動(dòng)協(xié)作機(jī)器人的RGB-D感知的端到端處理流程。該流程包括實(shí)例分割、特征匹配和對(duì)齊，旨在幫助機(jī)器人在移動(dòng)過程中理解場景并執(zhí)行操作。文章提出的方法首先對(duì)場景中感興趣的對(duì)象進(jìn)行分割，并在機(jī)器人移動(dòng)時(shí)匹配連續(xù)的RGB圖像中的特征，然后利用深度圖獲取3D對(duì)應(yīng)關(guān)系。通過統(tǒng)計(jì)加權(quán)這些3D對(duì)應(yīng)關(guān)系，使用核密度估計(jì)（KDE）進(jìn)行剛性點(diǎn)云對(duì)齊。實(shí)驗(yàn)結(jié)果表明，在實(shí)際機(jī)器人上進(jìn)行的測試中，機(jī)器人能夠成功地理解場景并抓取目標(biāo)物體，驗(yàn)證了所提出方法的有效性。文章的主要貢獻(xiàn)在于提出了一種綜合性的處理流程，為移動(dòng)機(jī)器人在復(fù)雜環(huán)境中的感知和操作提供了重要參考。

1 引言

本文介紹自我中心視覺在機(jī)器和人類視覺中的重要性，特別是在密集環(huán)境中的作用。為了改善自主機(jī)器人的操作任務(wù)，需要對(duì)感興趣物體的空間信息進(jìn)行三維感知。目前的分割和配準(zhǔn)任務(wù)通常是分開進(jìn)行的，但同時(shí)部署這兩個(gè)過程會(huì)導(dǎo)致計(jì)算成本高昂。因此，本文旨在實(shí)現(xiàn)輕量級(jí)的自我中心3D分割、特征匹配和場景重建流程，以提高基于視覺的室內(nèi)移動(dòng)協(xié)作機(jī)器人的性能。已有的工作主要集中在學(xué)習(xí)圖像之間的匹配特征，但對(duì)于室內(nèi)移動(dòng)協(xié)作機(jī)器人，還需要關(guān)注感興趣對(duì)象的空間占據(jù)信息。為了填補(bǔ)先前工作的空白并改善基于視覺的移動(dòng)協(xié)作機(jī)器人的3D語義場景感知，本文提出了三項(xiàng)貢獻(xiàn)：

（1）一種提取和統(tǒng)計(jì)加權(quán)3D對(duì)應(yīng)點(diǎn)以進(jìn)行剛性點(diǎn)云對(duì)準(zhǔn)的穩(wěn)健方法，

（2）一種用于具有雙目視覺的自我中心機(jī)器人的端到端分割、特征匹配和全局配準(zhǔn)流程，

（3）使用真實(shí)機(jī)器人系統(tǒng)進(jìn)行測試，以驗(yàn)證提出方法的正確性。

2 自我中心的3d對(duì)象分割

本節(jié)提出了一種算法，用于自我中心地在RGB-D幀中分割物體。該算法首先從圖像流中獲取深度圖像D和RGB圖像I，然后分割出I中的感興趣對(duì)象以獲得對(duì)象的掩碼MI。接著，對(duì)D進(jìn)行孔填充以保證結(jié)果質(zhì)量，然后與I相對(duì)齊。隨后，處理對(duì)齊深度幀Dalign的像素，以校正MI之外的深度像素，并將其轉(zhuǎn)換為PM中的點(diǎn)。最后，通過刪除深度圖像中可能由孔造成的異常值來清理PM。

3 特征檢測與匹配

本節(jié)介紹了自我中心3D物體分割中特征檢測和匹配的算法。首先，將1D位置嵌入應(yīng)用到2D域中，以提高特征提取學(xué)習(xí)過程，并設(shè)計(jì)了特征提取網(wǎng)絡(luò)。然后，利用分割掩碼提供SuperPoint每個(gè)對(duì)象的掩碼RGB圖像，以確保特征掃描區(qū)域在掩碼區(qū)域內(nèi)。接著，為兩個(gè)連續(xù)幀中的每個(gè)對(duì)應(yīng)對(duì)象創(chuàng)建相應(yīng)對(duì)象的掩碼RGB圖像，并在每對(duì)圖像上應(yīng)用重新訓(xùn)練后的SuperPoint，以提取和匹配每個(gè)對(duì)象實(shí)例內(nèi)的2D關(guān)鍵點(diǎn)。最后，聚合匹配的特征并計(jì)算點(diǎn)云之間的3D對(duì)應(yīng)關(guān)系。這一方法避免了特征在不相關(guān)對(duì)象之間的匹配，并且提高了物體實(shí)例的準(zhǔn)確性和一致性。

4 點(diǎn)云對(duì)齊與配準(zhǔn)

本節(jié)詳細(xì)介紹了點(diǎn)云對(duì)齊與配準(zhǔn)的過程，主要包括兩個(gè)關(guān)鍵步驟：3D對(duì)應(yīng)關(guān)系的重要性加權(quán)和剛性運(yùn)動(dòng)的點(diǎn)云對(duì)齊。

3D對(duì)應(yīng)關(guān)系的重要性加權(quán)：

權(quán)重初始化：根據(jù)每個(gè)點(diǎn)周圍特定半徑內(nèi)的鄰近點(diǎn)數(shù)初始化該點(diǎn)的權(quán)重。

密度估計(jì)：使用KDE和ISJ算法估計(jì)未知分布的密度，以獲得魯棒性。

權(quán)重更新：根據(jù)密度函數(shù)更新每個(gè)點(diǎn)的權(quán)重，以更好地表示其重要性。

剛性運(yùn)動(dòng)的點(diǎn)云對(duì)齊：

計(jì)算平移向量：計(jì)算加權(quán)質(zhì)心，用于平移點(diǎn)云。

計(jì)算旋轉(zhuǎn)矩陣：通過奇異值分解得到旋轉(zhuǎn)矩陣，用于旋轉(zhuǎn)點(diǎn)云。

定義剛性變換矩陣：將平移向量和旋轉(zhuǎn)矩陣組合成剛性變換矩陣。

點(diǎn)云對(duì)齊：應(yīng)用剛性變換矩陣，將兩個(gè)多視點(diǎn)云進(jìn)行對(duì)齊。

5 實(shí)驗(yàn)

SuperPoint with Positional Embedding的性能：在MS COCO 2014數(shù)據(jù)集上，使用2D位置嵌入重新訓(xùn)練了SuperPoint，并在MagicPoint標(biāo)記的興趣點(diǎn)上進(jìn)行了微調(diào)。通過對(duì)圖像進(jìn)行調(diào)整和增強(qiáng)，如隨機(jī)亮度和對(duì)比度、高斯噪聲、陰影和運(yùn)動(dòng)模糊，訓(xùn)練了具有128維度的位置嵌入的SuperPoint。訓(xùn)練過程在NVIDIA RTX 4090 GPU上進(jìn)行了10個(gè)時(shí)期（300,000次迭代）。實(shí)驗(yàn)結(jié)果顯示，SuperPoint在HPatches數(shù)據(jù)集上表現(xiàn)出色，具有較強(qiáng)的魯棒性，尤其在亮度變化和視角變化等常見場景下。

多角度下的點(diǎn)云對(duì)齊誤差：通過在距離場景2米的平面表面上移動(dòng)攝像機(jī)，包括0°（初始位置）、±10°、±20°、±30°和±45°等不同角度，計(jì)算了兩個(gè)對(duì)應(yīng)點(diǎn)集Kt?1和Kt之間的均方根誤差（RMSE）。實(shí)驗(yàn)結(jié)果表明，隨著偏移角度的增加，RMSE變大，同時(shí)證明了KDE在減小對(duì)齊誤差方面的有效性。

在Baxter機(jī)器人上的部署實(shí)驗(yàn)：

實(shí)驗(yàn)設(shè)置：在Baxter機(jī)器人上安裝Intel RealSense D435i RGB-D相機(jī)，并設(shè)置了一個(gè)桌子、一把椅子、一個(gè)包和兩個(gè)塑料杯的場景。

機(jī)器人移動(dòng)與多視角拍攝：Baxter先站在一個(gè)位置拍攝一個(gè)視角，然后移動(dòng)到另一個(gè)角度拍攝另一個(gè)視角，其運(yùn)動(dòng)由Dataspeed移動(dòng)底座支持，通過ROS消息進(jìn)行同步。

多視角點(diǎn)云分割與對(duì)齊：在捕獲多視角點(diǎn)云后，Baxter首先對(duì)場景中的對(duì)象進(jìn)行分割，然后匹配兩個(gè)視圖之間的3D對(duì)應(yīng)關(guān)系，最后解決了權(quán)重3D對(duì)應(yīng)關(guān)系的剛性對(duì)齊，最終獲得了對(duì)場景的理解。

靠近和抓取目標(biāo)物體：Baxter演示了使用3D語義場景感知進(jìn)行機(jī)器人抓取的可行性，當(dāng)目標(biāo)物體在機(jī)器人的工作空間內(nèi)時(shí)，Baxter可以有效地抓取這些物體。

在傳統(tǒng)硬件上的時(shí)間復(fù)雜度：使用OpenVINO庫在Intel HD Graphics 4000上部署了YOLOv8n，評(píng)估了分段、關(guān)鍵點(diǎn)提取和匹配、關(guān)鍵點(diǎn)加權(quán)以及點(diǎn)云對(duì)齊等步驟的時(shí)間復(fù)雜度和運(yùn)行時(shí)間。

6 結(jié)論

本研究提出了一種用于RGB-D感知移動(dòng)協(xié)作機(jī)器人的端到端流程，包括實(shí)例分割、特征匹配和對(duì)齊。通過在實(shí)際機(jī)器人上進(jìn)行的實(shí)驗(yàn)，驗(yàn)證了該方法的有效性，機(jī)器人能夠理解場景并執(zhí)行操作。