УЛУЧШЕНИЕ ГЕНЕРАЦИИ ПОЛОЖЕНИЯ ЗАХВАТА С ПОМОЩЬЮ GGCNN И МЕТОДА ГЛАВНЫХ КОМПОНЕНТ

Андреев Андрей Валерьевич

Статья посвящена разработке модифицированного алгоритма генерации положений захвата на основе GGCNN с интеграцией метода главных компонент (PCA) для повышения точности роботизированного захвата объектов без переобучения нейросети. Данная проблема актуальна и необходима к рассмотрению в силу развивающихся методов технического зрения и нейросетевых подходов в сфере роботизации. Работа с трёхмерными изображениями всё больше и больше набирает популярность в замену классических подходов машинного зрения и работы с двухмерными изображениями. С развитием робототехнических средств и мобильных роботов возникает проблема, которая заключается в захвате объектов, которые зачастую находятся в операционном пространстве роботизированного захвата хаотично и необходимо использовать продвинутые методы для обнаружения объектов и последующего захвата и что не менее важно, необходимо применять некоторые алгоритмы для таких простых задач, как захват и перенос объектов, а также сортировка объектов, в случае промышленного производства В работе предложен усовершенствованный подход, сочетающий генеративную свёрточную нейронную сеть GGCNN с PCA-анализом. Методология включает: предварительную обработку входных данных, а именно глубинной карты, которая поступает с камеры RealSense, анализ карты вероятности захвата объекта с помощью метода главных компонент и получение, а также преобразование данных в формат для захвата объекта. Сбор экспериментальных данных проводился на основе предварительно обученной нейросети GGCNN на датасете Корнелла (Cornell dataset) с целью получения метрики успешности захвата. В результате данной работы удалось получить приемлемый результат вероятности захвата объекта, порядка 95,6%, для исследуемого объекта с применением метода главных компонент на параметрическую карту вероятности захвата объекта, а также оценить вероятность захвата при различных параметрах выбора точек для работы с методом главных компонент для симметричного объекта. Применение предложенного метода привело к повышению вероятности захвата объекта без переобучения нейросети, а значит и уменьшению трудозатрат на создание наборов данных для обучения и переобучение сети для необходимых объектов, а также уменьшению выходного числа параметрических карт, а в следствии и уменьшение размерности выхода нейросети.

Ключевые слова:метод главных компонент, PCA, роботизированный захват, GGCNN, сверточные нейронные сети, CNN, манипуляционные задачи, компьютерное зрение, робототехника