IT之家 3 月 5 日消息，全球機(jī)器人領(lǐng)域頂會 ICRA 2025（IEEE 機(jī)器人與自動化國際會議）日前公布了論文錄用結(jié)果，地瓜機(jī)器人主導(dǎo)研發(fā)的 DOSOD 開放詞匯目標(biāo)檢測算法與 MODEST 單目透明物體抓取算法成功入選。
作為機(jī)器人執(zhí)行各項任務(wù)中繞不開的操作對象，水杯、試管、窗戶等透明物體在人類生活中無處不在。然而，透明物體復(fù)雜的折射和反射特性給機(jī)器人感知造成了很大困難。在大多數(shù) RGB 圖像中的透明物體往往缺乏清晰的紋理，而容易與背景混為一體。此外，商用深度相機(jī)也難以準(zhǔn)確捕捉這些物體的深度信息，導(dǎo)致深度圖缺失或噪聲過多，從而限制了機(jī)器人在多個領(lǐng)域的廣泛應(yīng)用。
為了解決透明物體的抓取問題，地瓜機(jī)器人聯(lián)合中科院自動化所（簡稱：CASIA）多模態(tài)人工智能系統(tǒng)全國重點(diǎn)實(shí)驗室，推出了針對透明物體的單目深度估計和語義分割的多任務(wù)框架（簡稱：MODEST）。該框架借助創(chuàng)新性的語義和幾何融合模塊，結(jié)合獨(dú)特的特征迭代更新策略，提升了深度估計和語義分割的效果，尤其在抓取成功率和系統(tǒng)泛化性方面取得了突破性進(jìn)展。
MODEST 算法框架作為通用抓取模型的前置模塊，即插即用，且無需依賴額外傳感器，僅靠單張 RGB 圖像，便可實(shí)現(xiàn)透明物體的抓取，效果上甚至要優(yōu)于其它雙目和多視圖的方法，可以應(yīng)用于智能工廠、實(shí)驗室自動化、智慧家居等場景，降低設(shè)備成本并提升機(jī)器人對透明物體的操作能力。
MODEST 主要聚焦于透明物體的深度估計，通過設(shè)計的語義和幾何結(jié)合的多任務(wù)框架，獲取物體準(zhǔn)確的深度信息，之后結(jié)合基于點(diǎn)云的抓取網(wǎng)絡(luò)實(shí)現(xiàn)透明物體的抓取。相當(dāng)于在通用抓取網(wǎng)絡(luò)前面增加一個針對透明物體的增強(qiáng)模塊。
MODEST 模型的整體架構(gòu)如圖所示，輸入為單目 RGB 圖像，輸出為透明物體的分割結(jié)果和場景深度預(yù)測。網(wǎng)絡(luò)主要由編碼、重組、語義幾何融合和迭代解碼四個模塊組成。輸入圖像首先經(jīng)過基于 ViT 的編碼模塊進(jìn)行處理，隨后重組為對應(yīng)分割和深度兩個分支的多尺度特征。在融合模塊中對兩組特征進(jìn)行混合和增強(qiáng)，最后通過多次迭代逐步更新特征，并獲得最終預(yù)測結(jié)果。
地瓜機(jī)器人將算法遷移到真實(shí)機(jī)器人平臺，開展了透明物體抓取實(shí)驗。平臺主要由 UR 機(jī)械臂和深度相機(jī)構(gòu)成，在借助 MODEST 方法進(jìn)行透明物體精確感知的基礎(chǔ)之上，采用 GraspNet 進(jìn)行抓取位姿的生成。在多個透明物體上的實(shí)驗結(jié)果表明，MODEST 方法在真實(shí)平臺上具有良好的魯棒性和泛化性（IT之家注：魯棒性是指系統(tǒng)在面對內(nèi)部結(jié)構(gòu)或外部環(huán)境變化時，仍能保持其功能穩(wěn)定運(yùn)行的能力）。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。