| 研究課題/領域番号 |
18J20111
|
|---|
| 研究種目 |
特別研究員奨励費
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 国内 |
|---|
| 研究分野 |
知能機械学・機械システム
|
|---|
| 研究機関 | 東北大学 |
|---|
研究代表者 |
千葉 直也 東北大学, 情報科学研究科, 特別研究員(DC1)
|
|---|
| 研究期間 (年度) |
2018-04-25 – 2021-03-31
|
| 研究課題ステータス |
採択後辞退 (2020年度)
|
| 配分額 *注記 |
2,200千円 (直接経費: 2,200千円)
2020年度: 700千円 (直接経費: 700千円)
2019年度: 700千円 (直接経費: 700千円)
2018年度: 800千円 (直接経費: 800千円)
|
|---|
| キーワード | Light Transport Matrix / 点群深層学習 / ばら積みピッキング / 輝度伝達行列 / 三次元計測 |
|---|
| 研究実績の概要 |
本研究の目的は，対称物体の反射特性によらずに物体をハンドリングするための三次元センシング手法の構築である．前提としてLight Transport Matrix (LMT) 推定による三次元形状計測手法を用いる．これはプロジェクタ・カメラを用いる三次元計測法であり，金属物体や半透明物体を精度よく計測できるという特性を持つ．一方，高解像度な計測を行う場合には計算コストが大きいという欠点を持つ．したがって，物体の位置姿勢推定に必要な情報だけを計測することで，「ばら積みピッキング」のような具体的なアプリケーションとしてみたときに高速化できるという着想を得た．
LTMの推定にはL1ノルム最小化によるスパース推定を用いる．このときLTMが線形でない場合に推定に失敗することが確認できている．実際の観測では白飛び・黒つぶれが生じるため，これらに対応するため，Alternation Direction Method of Multipliers (ADMM)を用いたL1最小化法の観測モデルに修正を加えた，白飛び・黒つぶれ同時対応L1最小化を提案・検証し，実際にLTM推定の性能が向上していることを示した．
LTM推定は低解像度では高速に計算できることに着目し，低解像度なLTMから得られる低密度な点群から物体の位置姿勢推定を行う手法の実現に向けて取り組んだ．既存の物体認識・位置姿勢推定手法と比較して低密度な点群を入力として用いる場合が多いため，点群深層学習によるアプローチでの物体認識・位置姿勢推定手法についての研究を進めた．さらに物体認識・位置姿勢推定手法とLTM推定による三次元計測法，さらに昨年度実装したロボットシステムを用いて実際にばら積みピッキングを実現した．計測・位置姿勢推定を合わせて20秒程度で金属物体の認識・位置姿勢推定を行った．
|
| 現在までの達成度 (段落) |
翌年度、交付申請を辞退するため、記入しない。
|
| 今後の研究の推進方策 |
翌年度、交付申請を辞退するため、記入しない。
|
