Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-87020
URL: http://www.freidok.uni-freiburg.de/volltexte/8702/


Grundmann, Thilo

Scene analysis for service robots

Szenenanalyse für Serviceroboter

Dokument1.pdf (8.993 KB) (md5sum: 19aa127fadbfc93af1587294dbcf3257)

Kurzfassung in Englisch

One of the key abilities for personal service robots is the recognition of objects in the vicinity of the robot. Especially for robotic tasks that include the physical interaction with objects, the requirements on the accuracy for both classification and localization are high. As a contribution to the research in this field, three methods that are based on each other are presented in this work.
We describe a new method to classify and localize textured objects. The method combines stereo vision with local interest points and achieves a localization accuracy within the range of millimeters. All object classes are known to the system in terms of a precise three dimensional model of interest points.
The practical use of this method is shown on large test data sets using a large database of known objects, as well as by public demonstrations on various robotic platforms.
For reliable robotic operation, the uncertainties that originate from model and sensor inaccuracies have to be determined and incorporated into the robot’s control. The accuracy of a localization result obtained by an interest point based method depends strongly on the number and spatial distribution of the evaluated feature points. To capture this characteristic, a new probabilistic model is derived. Such a model is required to incorporate the results from the object recognition method into a consistent probabilistic scene model, using a Bayes Filter.
Realistic scenarios contain high numbers of objects. This leads to tractability problems due to the “curse of dimensionality”. To avoid this, it is common practice to marginalize the full joint state under the assumption of independence into individual sub-states. However this leads to a loss of information in many scenarios which originates from the fact that the objects are not entirely independent of each other. In this thesis we propose a new methodology that explicitly models physical dependencies between objects. This leads to an improved accuracy compared to the classic independent estimation. The method detects when objects are dependent of each other, and uses a Monte Carlo joint state representation where the physical interaction between the objects is evaluated using a physics engine. The gain w.r.t. accuracy is demonstrated in a series of test cases. Furthermore the new methodology is not bound to the object localization
scenario.


Kurzfassung in Deutsch

Eine grundlegende Fähigkeit von Servicerobotern ist die Erkennung von Objekten in ihrer direkten Umgebung. Die Anforderungen an die Genauigkeit dieser Objekterkennung sind, insbesondere im Hinblick auf robotische Tätigkeiten, die eine physikalische Interaktion des Roboters mit Objekten aus der Umgebung beinhalten, hoch. Als Beitrag zur Lösung dieser Problemstellung werden in dieser Arbeit drei aufeinander aufbauende Methoden entwickelt.
Zu Beginn wird ein neuer Algorithmus zur Klassifizierung und Lokalisierung von texturierten Objekten vorgestellt. Die Objekte sind dem System vorab in Form eines Modells bekannt und werden im laufenden Betrieb vom Roboter mittels einer Stereokamera erkannt. Das Objekterkennungs-Verfahren, welches auf lokale Merkmalspunkten aufbaut, erlaubt basierend auf Stereobildern eine millimetergenaue
Lokalisierung. Die Eignung dieser neuen Methode und ihre hohe Genauigkeit werden sowohl anhand von umfangreichen Testserien als auch durch die öffentliche Vorführung des Systems auf unterschiedlichen robotischen Systemen belegt.
Eine grundlegende Problematik besteht darin, dass die genutzten Modelle in ihrer Genauigkeit begrenzt und die Sensoren rauschbehaftet sind. Hieraus ergeben sich Unsicherheiten in der Messung der gewünschten Größen, die nicht vernachlässigt werden dürfen, sondern explizit modelliert werden müssen, um eine verlässliche Funktionsausführung zu gewährleisten. Da die Genauigkeit einer Klassifizierung und Lokalisierung mittels der neuen Methode in starker Weise von der Anzahl und der räumlichen Verteilung der in die Erkennung eingeflossenen Merkmalspunkte abhängt, wurde ein probabilistisches Modell entwickelt, das die spezielle Charakteristik eines solchen Verfahrens abbildet. Mittels diesen Modells ist es möglich, die Erkennungsergebnisse über die Zeit in einem rekursiven Bayes Filter zu einem konsistenten Szenenmodell zusammenzufügen.
Realistische Einsatzszenarien für Service Roboter enthalten eine große Anzahl von Objekten, was zu einer hohen Dimensionalität des korrespondieren Zustandsschätzproblems führt. Um die Berechenbarkeit aufrechtzuerhalten, ist es in solchen Fällen üblich, den Gesamtzustandsraum unter der Annahme statistischer Unabhängigkeit in Einzel-Objekt-Teilzustandsräume aufzuteilen. Wenn aber, wie in vielen realistischen Szenarien, die Annahme der Unabhängigkeit nicht gerechtfertigt ist, tritt ein Verlust an Information auf. Um diesen Informationsverlust zu verringern, wird eine neue Methode vorgestellt, die die Abhängigkeiten zwischen einzelnen Objekten einer Szene explizit modelliert. Die Methode identifiziert Objekte, die sich in Abhängigkeit mit anderen Objekten befinden und bestimmt dann eine Sample-basierte Representation der Zustandsschätzung im gemeinsamen Zustandsraum. Innerhalb dieser Darstellung ist es möglich, die physikalische Interaktion zwischen den Objekten mittels einer Physiksimulation auszuwerten.
Der Gewinn an Genauigkeit, der mit dieser neuen Methodik erzielt werden kann, wird in einer umfangreichen Testserie aus dem Objekterkennungsszenario dargestellt. Es bleibt zu erwähnen, dass die Methodik nicht an dieses Szenario gebunden ist, sondern in generalisierter Form auch auf andere Probleme anwendbar ist.


SWD-Schlagwörter: Robotik , Mustererkennung
Freie Schlagwörter (englisch): Robotics , Pattern Classification
Institut: Institut für Informatik
Fakultät: Technische Fakultät (bisher: Fak. f. Angew. Wiss.)
DDC-Sachgruppe: Informatik
Dokumentart: Dissertation
Erstgutachter: Burgard, Wolfram (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 05.06.2012
Erstellungsjahr: 2012
Publikationsdatum: 07.08.2012
Indexliste