Probabilistic position and orientation estimation of rigid objects using an RGB-D sensor

Abstract

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.