Probabilistic position and orientation estimation of rigid objects using an RGB-D sensor
Niemi, Jori (2013)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe201312117619
https://urn.fi/URN:NBN:fi-fe201312117619
Tiivistelmä
The recent emergence of low-cost RGB-D sensors has brought new opportunities for
robotics by providing affordable devices that can provide synchronized images with both
color and depth information. In this thesis, recent work on pose estimation utilizing RGBD
sensors is reviewed. Also, a pose recognition system for rigid objects using RGB-D data
is implemented. The implementation uses half-edge primitives extracted from the RGB-D
images for pose estimation. The system is based on the probabilistic object representation
framework by Detry et al., which utilizes Nonparametric Belief Propagation for pose
inference. Experiments are performed on household objects to evaluate the performance
and robustness of the system. Uudet, kohtuuhintaiset RGB-D sensorit ovat tuoneet uusia mahdollisuuksia robotiikan
alalle pystymällä tuottamaan sekä väri- että syvyysinformaatiota reaaliajassa. Tässä työssä
käydään läpi RGB-D-sensoreiden käytön nykytilanne asennontunnistuksessa. Lisäksi
toteutetaan probabilistinen asennontunnistusalgoritmi RGB-D-datalle. Asennontunnistukseen
käytetään reunantunnistuksella saaduista reunapisteistä jaettuja
reunanpuolikkaita. Käytetty algoritmi pohjautuu Detryn et al. julkaisemaan probabilistisen
asennontunnistuksen viitekehykseen. Viitekehyksessä asennontunnistus pohjautuu NBPmenetelmän
(Nonparametric Belief Propagation) käyttöön. Reunantunnistusjärjestelmän
suorituskykyä ja virheensietokykyä testataan talousesineillä.
robotics by providing affordable devices that can provide synchronized images with both
color and depth information. In this thesis, recent work on pose estimation utilizing RGBD
sensors is reviewed. Also, a pose recognition system for rigid objects using RGB-D data
is implemented. The implementation uses half-edge primitives extracted from the RGB-D
images for pose estimation. The system is based on the probabilistic object representation
framework by Detry et al., which utilizes Nonparametric Belief Propagation for pose
inference. Experiments are performed on household objects to evaluate the performance
and robustness of the system.
alalle pystymällä tuottamaan sekä väri- että syvyysinformaatiota reaaliajassa. Tässä työssä
käydään läpi RGB-D-sensoreiden käytön nykytilanne asennontunnistuksessa. Lisäksi
toteutetaan probabilistinen asennontunnistusalgoritmi RGB-D-datalle. Asennontunnistukseen
käytetään reunantunnistuksella saaduista reunapisteistä jaettuja
reunanpuolikkaita. Käytetty algoritmi pohjautuu Detryn et al. julkaisemaan probabilistisen
asennontunnistuksen viitekehykseen. Viitekehyksessä asennontunnistus pohjautuu NBPmenetelmän
(Nonparametric Belief Propagation) käyttöön. Reunantunnistusjärjestelmän
suorituskykyä ja virheensietokykyä testataan talousesineillä.