Entwicklung einer Methode zur Objekterkennung von universellen Stückgütern für die automatische Entladung von Standardladungsträgern aus 3D Laserscandaten
Final Report Abstract
Die kontinuierliche Zunahme von transportierten Stückgütern innerhalb von Standardladungsträgern erfordert neue Automatisierungslösungen, um globale Lieferketten effizienter und kostengünstiger zu gestalten. Die Entladung der Standardladungsträger wird dabei hauptsächlich manuell durchgeführt, und bietet daher eine Möglichkeit den gesamten logistischen Prozess durch die Integration automatischer Entladesystem zu optimieren. Bisher existierende Systeme und Forschungsansätze nutzen hierfür 3D Sensordaten und sind häufig auf eine bestimmte Stückgüterformklassen sowie vordefinierte Größenspektren beschränkt oder verzichten auf eine Objekterkennung in dem sie nach geeigneten Flächen in den Sensordaten suchen, in denen ein vordefiniertes Greifermodell ansetzen könnte. Die Beschränkung auf eine Formklasse schränkt die Methodik hinsichtlich Flexibilität und Robustheit stark ein, da im Vorfeld viele Informationen über die Ladung eines Standardladungsträgers verfügbar sein müssten, um eine fehlerfreie Entladung zu ermöglichen. Der Verzicht auf eine Objekterkennungsmethodik durch die direkte Bestimmung potenzieller Greifpunkte hat Vorteile bezüglich der Laufzeit des Verfahrens, allerdings besteht die Möglichkeit das nicht optimale Greifpunkte bestimmt werden oder mehrere Stückgüter gleichzeitig entladen werden, was im schlechtesten Fall zu einer Beschädigung des Stückgutes führen kann. Das Ziel des Projekts bestand daher in der Entwicklung einer Objekterkennungsmethode für unterschiedliche Formklassen von Stückgütern unbekannten Ausmaßes anhand geometrischer Informationen aus 3D Daten. Die Methode soll für einen Roboter greifbare Stückgüter aus Packszenarien unterschiedlicher Komplexität klassifizieren und lokalisieren können. Im Rahmen des Projekts wurden verschiedene Ansätze dazu entwickelt. In einem ersten Schritt wurde hierzu ein Softwareprototyp zu realistischen Simulation von Sensordaten gängiger 3D Sensoren entwickelt. Hierfür wurden virtuelle Sensormodelle von unterschiedlichen Sensortypen implementiert und charakteristische Parameter experimentell bestimmt. Diese Sensoren können in einem virtuellem logistischen Szenario frei platziert und orientiert werden, so dass 3D Sensordaten von beliebigen Packszenarien in Standardladungsträger simuliert werden können. Diese Daten können zu Testzwecken sowie zu Erzeugung einer Modelldatenbank genutzt werden. Zudem können Sensoranordnungen bewertet werden und so eine aufgaben-spezifisch beste Sensoranordnung automatisch bestimmt werden. Der Schwerpunkt des Projekts war die Entwicklung der Objekterkennungsmethodik. Hierfür wurden zwei unterschiedliche Ansätze entwickelt und mit realen Sensordaten unterschiedlicher Sensortypen sowie simulierten Sensordaten evaluiert. Der erste Ansatz beinhaltete die Erkennung universeller Stückgüter mittels Superquadriken. Hierzu wurde zunächst eine geeignete Segmentierung entwickelt, um die Klassifikation und Lokalisierung mittels Superquadriken durchführen zu können. Der zweite Ansatz beschreibt die Punktwolke eines Packszenarios durch eine möglichst geringe Zahl von parametrisierbaren Oberflächenstücken. Diese werden in einem nachfolgenden Schritt mittels vordefinierter Regeln zu kompletten Stückgütern zusammengesetzt. Beide Ansätze wurden umfangreich evaluiert und zeigten gute Ergebnisse. Beide Methoden waren immer in der Lage in jedem Testszenario ein greifbares Stückgut sicher und genau zu lokalisieren, so dass eine Entladung des erkannten Stückgutes möglich ist. Es zeigte sich, dass beide Verfahren zuverlässig anhand der Daten eines einzelnen Sensors arbeiten konnten, so dass die Hinzunahme weiterer Sensoren nicht notwendig erscheint. Da die Objekterkennung nur ein Teilschritt neben Bahnplanung und Greifprozess ist, wurden ebenfalls Teile der Algorithmen mittels GPU-Programmierung parallelisiert, was in einer Optimierung der notwendigen Rechenzeit resultierte. Beide Methoden sind allerdings auf eine Vorsegmentierung der Punktwolke angewiesen. Packszenarien in denen anhand der 3D Daten keine Unterteilung in unterschiedliche Segmente oder Objekte möglich ist, können zu fehlerhaften Ergebnissen führen. Weiterführende Forschungsarbeiten könnten daher bei der Verbesserung der Segmentierung durch die Integration weiterer Sensortechnologien wie 2D-Kameras oder RFID-Techniken ansetzen.
Publications
- An Approach for 3D Object Recognition of Universal Goods, International Journal of Computers, 5(2):218-225, 2011
B. Scholz-Reiter, H. Thamer und C. Uriarte
- Multi-View Sensor Fusion of Synthetic ToF Images for Object Recognition of Universal Logistic Goods, 3D NordOst 2011. 14. Anwendungsbezogener Workshop zur Erfassung, Modellierung, Verarbeitung und Auswertung von 3D-Daten, 157-165, 2011
B. Scholz-Reiter und H. Thamer
- 3D Object Categorization of Logistic Goods for Automated Handling, In: Proceedings of the 10th International Conference on Signal Processing, Pattern Recognition and Applications, 416-423, 2013
H. Thamer, D. Weimer, H. Kost und B. Scholz-Reiter
