PaintNet：从 3D 点云进行非结构化多路径学习的机器人喷涂方法
机器人学
2023-12-07 v3 计算机视觉与模式识别
摘要
喷涂与焊接等流行工业机器人问题需要（i）以自由形状 3D 物体为条件，以及（ii）规划多条轨迹以完成任务。然而，现有方案对输入曲面形式与输出路径性质做了强假设，导致方法受限，无法应对真实数据的变化。借助近期 3D 深度学习进展，我们引入一种能处理任意 3D 表面、并可处理数量可变且无序输出路径（即非结构化）的新框架。我们的方法预测局部路径段，其后可拼接以重建长程路径。我们在机器人喷涂背景下广泛验证所提方法，发布了 PaintNet——首个在真实工业场景中采集的自由形状 3D 物体专家示范公开数据集。详尽的实验分析表明，我们的模型能快速预测平滑输出路径，覆盖此前未见物体表面达 95%，即便未显式优化喷涂覆盖率。
引用
@article{arxiv.2211.06930,
title = {PaintNet: Unstructured Multi-Path Learning from 3D Point Clouds for Robotic Spray Painting},
author = {Gabriele Tiboni and Raffaello Camoriano and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2211.06930},
year = {2023}
}
备注
Presented as conference paper at IEEE/RSJ IROS 2023, Detroit, USA. Project website at https://gabrieletiboni.github.io/paintnet