用于确定对象的6D姿态的方法技术

用于确定对象的6D姿态的方法。本发明专利技术涉及一种用于确定对象的6D姿态的方法，其中所述方法(1)具有如下步骤：提供图像数据，其中所述图像数据包括显示所述对象的目标图像数据和关于所述对象的经标记的比较图像数据(2)；而且基于所提供的图像数据通过元学习算法来确定所述对象的6D姿态(3)。所述对象的6D姿态(3)。所述对象的6D姿态(3)。

【技术实现步骤摘要】
用于确定对象的6D姿态的方法


[0001]本专利技术涉及一种用于确定对象的6D姿态的方法，利用该方法可以与相对应的对象类别无关地以简单的方式和方法来确定对象的6D姿态。

技术介绍

[0002]6D姿态通常被理解成物体或对象的位置和取向。在此，该姿态尤其描述了对于将参考坐标系转变成固定于对象的坐标系或者将光学传感器的坐标或相机坐标转变成对象坐标来说所需的变换，其中这些坐标系分别是笛卡尔坐标系，而且其中该变换由平移和旋转组成。
[0003]在此，对象的姿态估计或者6D姿态的应用可能性是多种多样的。例如当GPS系统(全球定位系统(Global Positioning System))工作得不可靠或者精度不足时，相机重定位例如可以对自主车辆的导航进行辅助。此外，GPS通常不用于封闭空间内的导航。如果可控系统、例如机器人系统要与对象进行交互，例如抓取这些对象，则还必须准确确定这些对象在空间中的位置和取向。
[0004]在此，用于估计或确定对象的6D姿态的已知算法基于针对特定对象类别所训练的模型。在这种情况下被证明为不利的是：对于来自另外的、不同的类型的对象，必须在来自该另外的、不同的类别的对象也可以被检测之前首先复杂地重新训练这些模型，这带来了资源消耗的增加。在此，不同的对象类别被理解成不同类型的对象或者分别被理解成逻辑上相互关联的对象的集合。
[0005]从出版文献US 2019/0304134A1公知一种方法，在该方法中，接收第一图像；检测在第一图像中的对象的类别；估计在第一图像中的该对象的姿态；接收来自另一视角的该对象的第二图像；估计在第二图像中的该对象的姿态；将在第一图像中的该对象的姿态与在第二图像中的该对象的姿态相结合，以便产生经过验证的姿态；并且使用第二姿态来训练卷积神经网络(Convolutional Neural Network，CNN)。

技术实现思路

[0006]因此，本专利技术所基于的任务在于：说明一种经改进的用于确定对象的6D姿态的方法并且尤其说明一种可在花费不大的情况下应用于不同对象类别的用于确定对象的6D姿态的方法。
[0007]该任务利用一种按照专利独立权利要求1的特征的用于确定对象的6D姿态的方法来被解决。
[0008]此外，该任务还通过一种按照专利独立权利要求6的特征的用于确定对象的6D姿态的控制设备来被解决。
[0009]此外，该任务还通过一种按照专利独立权利要求8的特征的用于确定对象的6D姿态的系统来被解决。
[0010]按照本专利技术的一个实施方式，该任务通过一种用于确定对象的6D姿态的方法来被
解决，其中提供图像数据，其中这些图像数据包括显示该对象的目标图像数据和关于该对象的经标记的比较图像数据，而且其中该对象的6D姿态基于所提供的图像数据通过元学习(Meta
‑
Learning)算法来被确定。
[0011]在此，图像数据被理解成通过使用光学或电子设备或者光学传感器来扫描或以光学方式记录一个或多个表面所产生的数据。
[0012]显示该对象的目标图像数据是图像数据，尤其是该对象当前所放置或定位的表面的当前图像数据。
[0013]进一步，关于该对象的比较图像数据是比较或上下文数据，并且尤其是为了比较或作为参考而同样呈现相对应的对象的数字图像。经标记的数据还被理解成已知数据，这些已知数据已经经过处理，例如从这些已知数据中已经提取了特征或者从这些已知数据中已经得出了模式。
[0014]此外，元学习算法是一种机器学习算法，该机器学习算法被设计为通过自主学习以及借鉴经验来对该算法进行优化。在此，这种元学习算法尤其被应用于元数据，其中元数据例如是相对应的学习问题的特性、算法特性或者之前从这些数据中得出的模式。这种元学习算法的应用尤其具有如下优点：算法的性能可以被提高并且该算法可以与各种问题情况灵活适配。
[0015]因此，按照本专利技术的方法具有如下优点：该方法可以灵活地应用于不同的对象类别以及尤其是来自以前未知的类别的新对象，而无需在来自另外的、不同的类别的对象也可以被检测之前首先复杂地重新训练该算法，这会带来资源消耗的增加。因此，总体而言，说明了一种经改进的用于确定对象的6D姿态的方法，该方法可以在花费不大的情况下应用于不同的对象类别。
[0016]在此，该方法还可具有检测显示该对象的当前图像数据的步骤，其中所检测到的显示该对象的图像数据被提供作为目标图像数据。因此，在其上进行对6D姿态的确定的实际数据处理系统以外的当前现实情况被考虑并且包含在该方法中。
[0017]在一个实施方式中，基于所提供的图像数据通过元学习算法来确定对象的6D姿态的步骤还具有：从所提供的图像数据中提取特征；基于所提取的特征，确定在目标图像数据中的显示该对象的图像点；基于所提取的特征和关于经标记的比较图像数据的信息，确定在该对象上的关键点；针对每个关键点，为显示该对象的图像点中的每个图像点分别确定相对应的图像点与该关键点之间的偏移；而且基于针对所有关键点的所确定的偏移来确定该6D姿态。
[0018]在此，所提取的或所读取的特征可以是特定模式，例如是对象的结构或质地或者对象的外观。
[0019]图像点进一步分别被理解成图像数据的元素或部分，例如像素。
[0020]关于经标记的比较图像数据的信息进一步被理解成关于包含在这些比较图像数据中的模式或标记的信息。
[0021]关键点还被理解成在对象的表面上的虚拟点，该虚拟点再现了对象的有几何含义的点，例如对象的顶点中的一个。
[0022]偏移还分别被理解成图像点与关键点之间的空间位移或空间距离。
[0023]因此，6D姿态尤其可以以简单的方式和方法并且以低资源消耗、例如比较低的存
储器和/或处理器容量来进行，而无需在来自另外的、不同的类别的对象也可以被检测之前首先复杂地重新训练该算法。
[0024]图像数据还可以是具有深度信息的图像数据。
[0025]在这种情况下，深度信息被理解成关于在图像数据中呈现或描绘的对象的空间深度或空间效果的信息。
[0026]这些图像数据具有深度信息的优点在于：还可以进一步提高在确定对象的6D姿态时的精度。
[0027]然而，这些图像数据具有深度信息的情况只是一个可能的实施方式。这样，图像数据例如也可以只是RGB数据。
[0028]利用本专利技术的另一实施方式，还说明了一种用于控制可控系统的方法，其中首先通过上述用于确定对象的6D姿态的方法来确定对象的6D姿态，而且然后基于所确定的该对象的6D姿态来控制该可控系统。
[0029]在此，该至少可控系统例如可以是机器人系统，其中该机器人系统例如又可以是抓取机器人。但是，此外该可控系统例如还可以是用于对自主驾驶机动车辆进行控制或导航的系统或者用于人脸识别的系统。
[0030]这种方法具有如下优点：对可控系统的控制基于通过经改进的用于确定对象的6D姿态的方法所确定的对象的6D姿态，该经改进的方法可以在花费本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于确定对象的6D姿态的方法，其中所述方法(1)具有如下步骤：
‑
提供图像数据，其中所述图像数据包括显示所述对象的目标图像数据和关于所述对象的经标记的比较图像数据(2)；而且
‑
基于所提供的图像数据通过元学习算法来确定所述对象的6D姿态(3)。2.根据权利要求1所述的方法，其中所述方法还具有：检测显示所述对象的当前图像数据(4)，而且其中所检测到的显示所述对象的图像数据被提供作为目标图像数据。3.根据权利要求1或2所述的方法，其中基于所提供的图像数据通过元学习算法来确定所述对象的6D姿态的步骤(3)还具有如下步骤：
‑
从所提供的图像数据中提取特征(5)；
‑
基于所提取的特征，确定在所述目标图像数据中的显示所述对象的图像点(6)；
‑
基于所提取的特征和关于经标记的比较图像数据的信息，确定在所述对象上的关键点(7)；
‑
针对每个关键点，为显示所述对象的图像点中的每个图像点分别确定相对应的图像点与所述关键点之间的偏移(8)；而且
‑
基于针对所有关键点的所确定的偏移来确定所述6D姿态(9)。4.根据权利要求1至3中任一项所述的方法，其中所述图像数据具有深度信息。5.一种用于控制可控系统的方法，其中所述方法具有如下步骤：
‑
通过根据权利要求1至4中任一项所述的用于确定对象的6D姿态的方法来确定对象的6D姿态；而且
‑
基于所确定的所述对象的6D姿态来控制所述可控系统。6.一种用于确定对象的6D姿态的控制设备，其中所述控制设备(11)具有：提供单元(13)，所述提供单...

【专利技术属性】
技术研发人员：高宁，李雨蒙，G，
申请(专利权)人：罗伯特，
类型：发明
国别省市：