Affordances-based recognition of assembly activities through probabilistic modeling

Abstract

Deze masterproef, uitgevoerd binnen de onderzoeksgroep ACRO, richt zich op het verbeteren van flexibiliteit en robuustheid van mens-robot samenwerking. Voor een vloeiende samenwerking moet de robot de activiteit die door de operator wordt uitgevoerd herkennen. Specifiek bespreekt dit onderzoek het gebruik van object affordances om operatoractiviteiten bij assemblagetaken te herkennen via probabilistische modellering. Gerelateerd onderzoek maakt voornamelijk gebruik van menselijke informatie, wat flexibiliteit en robuustheid mist. Dit onderzoek heeft drie doelstellingen. De operator moet vrij zijn om de assemblagedelen naar wens te positioneren en het product eender waar te monteren, het systeem moet bruikbaar zijn door meerdere operators en men streeft naar een succespercentage van ongeveer 78%, het gemiddelde succespercentage van soortgelijk onderzoek. Aanvankelijk worden verschillende probabilistische modelleringsmodellen met elkaar vergeleken. Vervolgens wordt een dynamisch Bayesiaans netwerk gemodelleerd voor het afleiden van de uitgevoerde assemblageactiviteit op basis van de relatieve afstand, bewegingsrichting en snelheid van de onderdelen. Deze invoerparameters worden afgeleid aan de hand van ArUco-markers. Het finale model werkt onafhankelijk van de oorspronkelijke positie van de onderdelen, is bruikbaar door meerdere operators en behaalt een succespercentage van 75%. Dit onderzoek deed ook een eerste poging in het afleiden van de 6D poses uit RGB-D data door het gebruik van de Point Pair Feature matching-methode.