Bin-Picking: New Approaches for a Classical Problem

این کتاب به یکی از معروف‌ترین نمونه‌های کارهای مدیریت اتوماسیون اختصاص داده شده است - مسئله «بدون انتخاب». برای برداشتن اشیا، درهم ریختن در جعبه برای انسان کار آسانی است، اما اتوماسیون آن بسیار پیچیده است. در این کتاب سه رویکرد مختلف برای حل مشکل جمع‌آوری بن توضیح داده شده است که نشان می‌دهد چگونه حسگرهای مدرن را می‌توان برای جمع‌آوری کارآمد بن‌چین استفاده کرد و همچنین چگونه مفاهیم حسگر کلاسیک را می‌توان برای تکنیک‌های جدید جمع‌آوری بن بکار برد. ابرهای نقطه سه‌بعدی ابتدا به‌عنوان پایه مورد استفاده قرار می‌گیرند، و از الگوریتم تطبیق نمونه‌های تصادفی شناخته‌شده همراه با مکانیزم اجتناب از برخورد مبتنی بر نقشه عمق بسیار کارآمد استفاده می‌کنند که منجر به یک رویکرد جمع‌آوری بسیار قوی می‌شود. با کاهش پیچیدگی داده های حسگر، تمام محاسبات بر روی نقشه های عمق انجام می شود. این اجازه می دهد تا از تکنیک های تجزیه و تحلیل تصویر دو بعدی برای انجام وظایف و نتایج در تجزیه و تحلیل داده ها در زمان واقعی استفاده شود. در ترکیب با سنسورهای نیرو/گشتاور و شتاب، یک سیستم جمع آوری سطل بهینه در زمان نزدیک ظاهر می شود. در نهایت، نقشه‌های نرمال سطحی به عنوان مبنایی برای تخمین پوز استفاده می‌شوند. برخلاف روش‌های شناخته‌شده، نقشه‌های معمولی برای محاسبه داده‌های سه بعدی استفاده نمی‌شوند، بلکه مستقیماً برای مشکل مکان‌یابی شی مورد استفاده قرار می‌گیرند، که امکان استفاده از یک کلاس جدید از حسگرها را برای انتخاب bin می‌دهد.

This book is devoted to one of the most famous examples of automation handling tasks – the “bin-picking” problem. To pick up objects, scrambled in a box is an easy task for humans, but its automation is very complex. In this book three different approaches to solve the bin-picking problem are described, showing how modern sensors can be used for efficient bin-picking as well as how classic sensor concepts can be applied for novel bin-picking techniques. 3D point clouds are firstly used as basis, employing the known Random Sample Matching algorithm paired with a very efficient depth map based collision avoidance mechanism resulting in a very robust bin-picking approach. Reducing the complexity of the sensor data, all computations are then done on depth maps. This allows the use of 2D image analysis techniques to fulfill the tasks and results in real time data analysis. Combined with force/torque and acceleration sensors, a near time optimal bin-picking system emerges. Lastly, surface normal maps are employed as a basis for pose estimation. In contrast to known approaches, the normal maps are not used for 3D data computation but directly for the object localization problem, enabling the application of a new class of sensors for bin-picking.