Methoden zur raschen Erkennung neuer Objekte in Farb- und Tiefenbildern

Abstract

This article highlights new developments in computer vision and robotics. Thanks to learning-based methods, new solutions have emerged for challenges such as recognition, pose estimation, and grasping of novel, previously unseen objects. By leveraging learned geometric features, it is possible to recognize new object instances and assign them to classes that are similar to but different from known ones, thereby enabling autonomous robotic grasping. Object detection and pose estimation are also feasible for transparent objects, and their fill levels can be reliably determined. To ensure that detected objects are indeed present and their positions accurate, the method of object position verification is applied. This also helps correct potential hallucinations produced by learned methods. Finally, we present approaches that allow not only the transfer of points but also entire processing paths from known objects to new ones.

Dieser Artikel beleuchtet neue Entwicklungen in der Bildverarbeitung und Robotik. Dank Lernmethoden gibt es neue Lösungen für Probleme wie das Erkennen, Bestimmen der Pose und Greifen neuer, noch unbekannter Objekte. Mithilfe gelernter geometrischer Merkmale können auch neue Objektinstanzen erkannt und Objekte ähnlichen, aber bekannten Klassen zugeordnet werden, um ein automatisches Greifen mit einem Roboter zu ermöglichen. Die Objekterkennung und Posenbestimmung ist auch für transparente Objekte möglich und deren Füllstand kann zuverlässig bestimmt werden. Um sicherzustellen, dass die erkannten Objekte auch tatsächlich vorhanden sind und ihre Position korrekt ist, wird die Methode der Positionsverifizierung eines Objekts eingesetzt. Dies hilft auch, eventuelle Halluzinationen der erlernten Methoden zu korrigieren. Schließlich stellen wir Methoden vor, mit denen nicht nur Punkte, sondern auch ganze Bearbeitungspfade von bekannten Objekten auf neue Objekte übertragen werden können.