Reconstrução 3D de objetos simétricos a partir de nuvens de pontos utilizando modelos paramétricos de superquádricas para reconhecimento por visão robótica

Abstract

Uma das aplicações de sistemas de visão robótica em intensa pesquisa atualmente é a reconstrução 3D de objetos a partir de nuvens de pontos para realizar o reconhecimento e localização desses objetos. Este trabalho tem como objetivo desenvolver um método para reconstruir objetos sólidos representados por nuvem de pontos utilizando um modelo paramétrico de superquádricas com o fim de usar em sistemas de visão robótica. A metodologia implementada consiste em obter 5 superelipsoides geradas artificialmente mais 4 objetos reais com nuvem de pontos extraída usando uma câmera comercial com sensor de profundidade - o Kinect®. A partir da nuvem de pontos de objetos simétricos que possam ter descrição matemática por superquádricas foram utilizados algoritmos especialmente desenvolvidos para a identificação dos onze parâmetros que descrevem tamanho, posição, rotação e forma que caracterizem o objeto-alvo. Por ultimo, a tarefa de minimizar a função implícita da superquádrica com o algoritmo iterativo de Levenberg-Marquardt até chegar aos verdadeiros parâmetros e construir o modelo tridimensional do objeto-alvo. A análise dos resultados se fez de duas formas. Primeiramente, foi feita a avaliação de cada etapa do algoritmo através da comparação dos resultados obtidos com os resultados esperados. Neste caso, o resultados demonstraram um erro padrão assintótico de 1% para cada parâmetro, o que favorece a validação da metodologia. Em seguida, foram usadas nuvens de pontos de objetos reais, cuja análise experimental demonstrou resultados do vetor de parâmetros característicos do objeto com valor de erro padrão assintótico para cada parâmetro também menor do que 1% . Os resultados também puderam ser avaliados graficamente, mostrando a aproximação dos pontos estimados com os pontos das imagens reais durante as iterações. Os resultados desta pesquisa demonstraram não só a eficácia do método com nuvens de pontos simuladas, mas também sua adequação à nuvem de pontos de objetos reais, onde se incluem ruído, erros de calibração do sistema de aquisição e descrição do objeto. ______________________________________________________________________________________ ABSTRACT

One of the applications of robotic vision systems intensively researched today is the 3D reconstruction of objects from point clouds to achieve the recognition and location of these objects. This work aims at developing a method to reconstruct solid objects represented by point clouds using a parametric model of superquadrics in order to use in robot vision systems. The implemented methodology makes use of 5 synthetic superelipsoids and 4 real objects with point clouds extracted by using a commercial camera with a depth sensor – The Microsoft Kinect®. With point clouds of symmetrical objects that may have mathematical description for superquadrics, algorithms were developed to identify the eleven parameters that describe size, position, rotation and shape that characterize the target object. Finally, the task of minimizing the implicit function of the superquadric by using the iterative algorithm of Levenberg-Marquardt to get the true parameters and to construct the 3D model of the target object. The analysis was carried out in two ways. First, each step of the algorithm was assessed by comparing the results with the expected results. In this case, the results showed an average error of 1% for each parameter, which promotes the validation methodology. Then, point clouds were used from real objects, whose experimental analysis demonstrated results for the characteristic parameter vector with mean square errors for each parameter also less than 1%. The results also could be evaluated graphically, showing the approach of the estimated points to the points of the actual images during the iterations. These results demonstrate not only the effectiveness of the method with simulated point clouds, but also its suitability for point clouds of real objects, which include noise, calibration errors of the acquisition system and object description.