基于机器学习技术与二维距离数据的托盘检测、定位与跟踪

由于能够彻底改变内部物流（尤其是在非结构化环境中），工业场景中的自主运输问题正重新受到关注。本文提出了一种新架构，允许机器人仅基于车载二维激光测距仪，利用机器学习技术检测、定位并跟踪（可能是多个）托盘。该架构由两个主要部分组成：第一阶段是托盘检测器，采用 Faster Region-based Convolutional Neural Network (Faster R-CNN) 检测器与基于 CNN 的分类器级联；第二阶段是用于定位和跟踪已检测托盘的 Kalman 滤波器，我们也利用它来推迟对第一阶段检测到的托盘的确认，直到通过序列数据采集过程获得了足够的置信度。为了微调 CNN，该架构使用了一个包含 340 个带标签二维扫描的真实世界数据集进行了系统性评估，该数据集已在一个在线存储库中免费提供。检测性能基于 k 折交叉验证的平均准确率进行了评估，在我们的测试中得分为 99.58%。关于托盘定位和跟踪，在机器人接近托盘以进行叉取的场景中进行了实验。尽管根据我们所考虑的用例规范，最初采集数据时仅考虑了一个托盘，但也生成了人工数据以模拟机器人工作空间中存在多个托盘的情况。我们的实验结果证实，该系统能够以高成功率识别、定位和跟踪托盘，同时对假阳性具有鲁棒性。