Saisie d'objets translucides à l'aide de la vision robotique

Saisir des objets translucides, tels que des contenants ouverts, pose un défi important lors de l'utilisation de caméras RGB et de profondeur (RGBD), principalement en raison de la présence de cavités dans leurs valeurs de profondeur. La nécessité de saisir efficacement des contenants translucides est particulièrement importante dans les environnements de cuisine, où la visibilité facile du contenu à l'intérieur est essentielle, en particulier pour les personnes atteintes de démence. Cet article aborde ce défi en introduisant une méthode novatrice qui combine une approche analytique avec un algorithme de détection d'objets tel que You Only Look Once (YOLO) pour améliorer les performances de saisie. Les approches traditionnelles s'appuient souvent sur des modèles de réseaux neuronaux profonds pour remplir la profondeur afin de mitiger les problèmes causés par ces cavités. Bien que diverses méthodes d'apprentissage profond aient été développées à cet effet, elles entraînent généralement des efforts considérables de collecte de données pour ajuster leurs modèles aux objets d'intérêt. En revanche, l'approche présentée dans cet article tire parti d'une méthode analytique qui est particulièrement bien adaptée aux objets ayant des géométries simples, éliminant efficacement la nécessité de collecter des données étendues pour prédire les points de saisie et remplir les cavités. Les résultats expérimentaux démontrent l'efficacité de cette approche novatrice, avec une précision de saisie moyenne de 94,55 % atteinte sur des contenants ouverts translucides, établissant ainsi une alternative viable et pratique aux méthodes traditionnelles basées sur l'apprentissage profond. Le code source est disponible à l'adresse suivante : Lien 1 https://github.com/HMI2-Research-Group/AnalyticalBestGrab et le jeu de données pour entraîner l'algorithme de détection d'objets YOLO dans cet article est disponible à l'adresse suivante : lien 2 https://github.com/HMI2-Research-Group/Kitchen-YOLO-Dataset.