Apreensão de Objetos Translucentes Usando Visão Robótica

A apreensão de objetos translucentes, como recipientes abertos, representa um desafio significativo ao usar câmeras RGB e Profundidade (RGBD), principalmente devido à presença de cavidades em seus valores de profundidade. A necessidade de apreender efetivamente recipientes translucentes é especialmente importante em ambientes de cozinha, onde a visibilidade fácil do conteúdo interno é essencial, particularmente para indivíduos com demência. Este artigo aborda esse desafio introduzindo um novo método que combina uma abordagem analítica com um algoritmo de detecção de objetos como You Only Look Once (YOLO) para melhorar o desempenho da apreensão. Abordagens tradicionais frequentemente dependem de modelos de rede neural profunda para preenchimento de profundidade para mitigar os problemas causados por essas cavidades. Embora vários métodos de aprendizado profundo tenham sido desenvolvidos com esse propósito, eles normalmente exigem esforços extensivos de coleta de dados para ajustes finos de seus modelos para funcionar para os objetos de interesse. Em contraste, a abordagem apresentada neste artigo aproveita um método analítico que é particularmente adequado para objetos com geometrias simples, efetivamente eliminando a necessidade de extensa coleta de dados para prever pontos de apreensão e preencher cavidades. Os resultados experimentais demonstram a eficácia desta nova abordagem, com uma precisão média de apreensão de 94,55% alcançada em recipientes abertos translucentes, estabelecendo-o como uma alternativa viável e prática aos métodos tradicionais baseados em aprendizado profundo. O código-fonte está disponível em Link 1 1 https://github.com/HMI2-Research-Group/AnalyticalBestGrab e o conjunto de dados para treinar o algoritmo de detecção de objetos YOLO neste artigo está disponível em link 2 2 https://github.com/HMI2-Research-Group/Kitchen-YOLO-Dataset.