Wolnitza, Marcell Michael
[VerfasserIn]
;
Wörgötter, Florentin
[MitwirkendeR];
Dellen, Babette
[MitwirkendeR];
Kurth, Winfried
[MitwirkendeR];
Baum, Marcus
[MitwirkendeR];
Ecker, Alexander
[MitwirkendeR];
Damm, Carsten
[MitwirkendeR]
6D-Posenbestimmung und 3D-Objektrekonstruktion mittels der 2D-Form von Bildsegmenten ; 6D pose estimation and 3D object reconstruction using the 2D shape of image segments
Titel:
6D-Posenbestimmung und 3D-Objektrekonstruktion mittels der 2D-Form von Bildsegmenten ; 6D pose estimation and 3D object reconstruction using the 2D shape of image segments
Beteiligte:
Wolnitza, Marcell Michael
[VerfasserIn]
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
In dieser Arbeit wird ein templatebasiertes Verfahren zur Berechnung der 6D-Pose von Objekten in einer Szene und anschließender 3D-Rekonstruktion präsentiert. Diese Informationen sind wichtig für Anwendungen, bei denen Objekte computergesteuert manipuliert werden, z.B. im Bereich der Robotik. Sie tragen zur Tiefenwahrnehmung des Robotersystems bei, auf deren Basis gewünschte Aktionen, wie das Greifen von Gegenständen, geplant werden können. Dabei wird das vorhandene Wissen über die Gestalt der Objekte in Form eines 3D-Modells explizit ausgenutzt, um Silhouetten von Bildern aus verschiedenen Kameraperspektiven zu erzeugen und alle benötigten Parameter direkt aus diesen zu extrahieren. Ein Deep-Learning-Verfahren wird trainiert und verwendet, um die Objekte aus den Bildern der Szene zu segmentieren. Das Ziel dieser Arbeit ist die Kombination klassischer Methoden zur Berechnung der Parameter für die 6D-Pose mit punktueller Verwendung von Deep Learning zur Unterstützung des Verfahrens bei der Segmentierung als wichtiger Ausgangspunkt. Die Verwendung expliziten Objektwissens reduziert die Anzahl freier Parameter der 6D-Pose während des Matchings, sodass deren Berechnung vereinfacht wird. Die Vorteile sind dabei eine Verringerung der Rechenzeit und eine Verbesserung der Anpassung des Verfahrens an individuelle Experimente unter Verwendung gewöhnlicher Kameras. Moderne End-to-End-Verfahren im Bereich von Deep Learning zeigen zwar regelmäßig bessere Ergebnisse hinsichtlich der Genauigkeit bei Rechenzeiten in Echtzeit im Vergleich zu den meisten klassischen Verfahren. Diese gelten allerdings meist nur für spezifische Datensätze und erfordern eine aufwendige Erzeugung eigener Daten zur Anpassung an eigene Experimente. Die Performance des entwickelten Verfahrens wird in Simulationen mit synthetischen Daten aufgezeigt und der Einsatz in einem Proof-of-Concept für reale Roboterexperimente beschrieben. ; This thesis presents a template-based method for the calculation of the 6D pose with a following 3D reconstruction of ...