工業(yè)機(jī)器人是如何識(shí)別物體進(jìn)行抓取任務(wù)的呢？

從機(jī)器視覺的角度，由簡(jiǎn)入繁從相機(jī)標(biāo)定，平面物體檢測(cè)、有紋理物體、無紋理物體、深度學(xué)習(xí)、與任務(wù)/運(yùn)動(dòng)規(guī)劃結(jié)合等6個(gè)方面深度解析文章的標(biāo)題。

首先，我們要了解，機(jī)器人領(lǐng)域的視覺（Machine Vision）跟計(jì)算機(jī)領(lǐng)域（Computer Vision）的視覺有一些不同：機(jī)器視覺的目的是給機(jī)器人提供操作物體的信息。所以，機(jī)器視覺的研究大概有這幾塊：

1. 物體識(shí)別（Object Recognition）：在圖像中檢測(cè)到物體類型等，這跟 CV 的研究有很大一部分交叉；

2. 位姿估計(jì)（Pose Estimation）：計(jì)算出物體在攝像機(jī)坐標(biāo)系下的位置和姿態(tài)，對(duì)于機(jī)器人而言，需要抓取東西，不僅要知道這是什么，也需要知道它具體在哪里；

3. 相機(jī)標(biāo)定（Camera Calibration）：因?yàn)樯厦孀龅闹皇怯?jì)算了物體在相機(jī)坐標(biāo)系下的坐標(biāo)，我們還需要確定相機(jī)跟機(jī)器人的相對(duì)位置和姿態(tài)，這樣才可以將物體位姿轉(zhuǎn)換到機(jī)器人位姿。

當(dāng)然，我這里主要是在物體抓取領(lǐng)域的機(jī)器視覺；SLAM 等其他領(lǐng)域的就先不講了。

由于視覺是機(jī)器人感知的一塊很重要內(nèi)容，所以研究也非常多了，我就我了解的一些，按照由簡(jiǎn)入繁的順序介紹吧：

一. 相機(jī)標(biāo)定

這其實(shí)屬于比較成熟的領(lǐng)域。由于我們所有物體識(shí)別都只是計(jì)算物體在相機(jī)坐標(biāo)系下的位姿，但是，機(jī)器人操作物體需要知道物體在機(jī)器人坐標(biāo)系下的位姿。所以，我們先需要對(duì)相機(jī)的位姿進(jìn)行標(biāo)定。

內(nèi)參標(biāo)定就不說了，參照張正友的論文，或者各種標(biāo)定工具箱；

外參標(biāo)定的話，根據(jù)相機(jī)安裝位置，有兩種方式：

Eye to Hand：相機(jī)與機(jī)器人極坐標(biāo)系固連，不隨機(jī)械臂運(yùn)動(dòng)而運(yùn)動(dòng)

Eye in Hand：相機(jī)固連在機(jī)械臂上，隨機(jī)械臂運(yùn)動(dòng)而運(yùn)動(dòng)

兩種方式的求解思路都類似，首先是眼在手外（Eye to Hand）

只需在機(jī)械臂末端固定一個(gè)棋盤格，在相機(jī)視野內(nèi)運(yùn)動(dòng)幾個(gè)姿態(tài)。由于相機(jī)可以計(jì)算出棋盤格相對(duì)于相機(jī)坐標(biāo)系的位姿A_i 、機(jī)器人運(yùn)動(dòng)學(xué)正解可以計(jì)算出機(jī)器人底座到末端抓手之間的位姿變化E_i 、而末端爪手與棋盤格的位姿相對(duì)固定不變。

這樣，我們就可以得到一個(gè)坐標(biāo)系環(huán) CX=XD

這種結(jié)構(gòu)的求解有很多方法，我這邊給出一個(gè)參考文獻(xiàn)：

Shiu, Yiu Cheung, and Shaheen Ahmad. "Calibration of wrist-mounted robotic sensors by solving homogeneous transform equations of the form AX= XB."ieee Transactions on Robotics and Automation 5.1 (1989): 16-29.

而對(duì)于眼在手上（Eye in Hand）的情況，也類似，在地上隨便放一個(gè)棋盤格（與機(jī)器人基座固連），然后讓機(jī)械臂帶著相機(jī)走幾個(gè)位姿，然后也可以形成一個(gè)AX=XB 的坐標(biāo)環(huán)。

二． 平面物體檢測(cè)

這是目前工業(yè)流水線上最常見的場(chǎng)景。目前來看，這一領(lǐng)域?qū)σ曈X的要求是：快速、精確、穩(wěn)定。所以，一般是采用最簡(jiǎn)單的邊緣提取+邊緣匹配/形狀匹配的方法；而且，為了提高穩(wěn)定性、一般會(huì)通過主要打光源、采用反差大的背景等手段，減少系統(tǒng)變量。

目前，很多智能相機(jī)（如 cognex）都直接內(nèi)嵌了這些功能；而且，物體一般都是放置在一個(gè)平面上，相機(jī)只需計(jì)算物體的(x,y,θ)T 三自由度位姿即可。

另外，這種應(yīng)用場(chǎng)景一般都是用于處理一種特定工件，相當(dāng)于只有位姿估計(jì)，而沒有物體識(shí)別。

當(dāng)然，工業(yè)上追求穩(wěn)定性無可厚非，但是隨著生產(chǎn)自動(dòng)化的要求越來越高，以及服務(wù)類機(jī)器人的興起。對(duì)更復(fù)雜物體的完整位姿(x,y,z,rx,ry,rz)T 估計(jì)也就成了機(jī)器視覺的研究熱點(diǎn)。

三．有紋理的物體

機(jī)器人視覺領(lǐng)域是最早開始研究有紋理的物體的，如飲料瓶、零食盒等表面帶有豐富紋理的都屬于這一類。

當(dāng)然，這些物體也還是可以用類似邊緣提取+模板匹配的方法。但是，實(shí)際機(jī)器人操作過程中，環(huán)境會(huì)更加復(fù)雜：光照條件不確定（光照）、物體距離相機(jī)距離不確定（尺度）、相機(jī)看物體的角度不確定（旋轉(zhuǎn)、仿射）、甚至是被其他物體遮擋（遮擋）。

幸好有一位叫做 Lowe 的大神，提出了一個(gè)叫做 SIFT （Scale-invariant feature transform）的超強(qiáng)局部特征點(diǎn)：

Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110.

具體原理可以看上面這篇被引用 4萬+ 的論文或各種博客，簡(jiǎn)單地說，這個(gè)方法提取的特征點(diǎn)只跟物體表面的某部分紋理有關(guān)，與光照變化、尺度變化、仿射變換、整個(gè)物體無關(guān)。

因此，利用 SIFT 特征點(diǎn)，可以直接在相機(jī)圖像中尋找到與數(shù)據(jù)庫中相同的特征點(diǎn)，這樣，就可以確定相機(jī)中的物體是什么東西（物體識(shí)別）。

對(duì)于不會(huì)變形的物體，特征點(diǎn)在物體坐標(biāo)系下的位置是固定的。所以，我們?cè)讷@取若干點(diǎn)對(duì)之后，就可以直接求解出相機(jī)中物體與數(shù)據(jù)庫中物體之間的單應(yīng)性矩陣。

如果我們用深度相機(jī)（如Kinect）或者雙目視覺方法，確定出每個(gè)特征點(diǎn)的 3D 位置。那么，直接求解這個(gè) PnP 問題，就可以計(jì)算出物體在當(dāng)前相機(jī)坐標(biāo)系下的位姿。

↑ 這里就放一個(gè)實(shí)驗(yàn)室之前畢業(yè)師兄的成果

當(dāng)然，實(shí)際操作過程中還是有很多細(xì)節(jié)工作才可以讓它真正可用的，如：先利用點(diǎn)云分割和歐氏距離去除背景的影響、選用特征比較穩(wěn)定的物體（有時(shí)候 SIFT 也會(huì)變化）、利用貝葉斯方法加速匹配等。

而且，除了 SIFT 之外，后來又出了一大堆類似的特征點(diǎn)，如 SURF、ORB 等。

四． 無紋理的物體

好了，有問題的物體容易解決，那么生活中或者工業(yè)里還有很多物體是沒有紋理的：

我們最容易想到的就是：是否有一種特征點(diǎn)，可以描述物體形狀，同時(shí)具有跟 SIFT 相似的不變性？

不幸的是，據(jù)我了解，目前沒有這種特征點(diǎn)。

所以，之前一大類方法還是采用基于模板匹配的辦法，但是，對(duì)匹配的特征進(jìn)行了專門選擇（不只是邊緣等簡(jiǎn)單特征）。

這里，我介紹一個(gè)我們實(shí)驗(yàn)室之前使用和重現(xiàn)過的算法 LineMod：

Hinterstoisser, Stefan, et al. "Multimodal templates for real-time detection of texture-less objects in heavily cluttered scenes." Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011.

簡(jiǎn)單而言，這篇論文同時(shí)利用了彩色圖像的圖像梯度和深度圖像的表面法向作為特征，與數(shù)據(jù)庫中的模板進(jìn)行匹配。

由于數(shù)據(jù)庫中的模板是從一個(gè)物體的多個(gè)視角拍攝后生成的，所以這樣匹配得到的物體位姿只能算是初步估計(jì)，并不精確。

但是，只要有了這個(gè)初步估計(jì)的物體位姿，我們就可以直接采用 ICP 算法（Iterative closest point）匹配物體模型與 3D 點(diǎn)云，從而得到物體在相機(jī)坐標(biāo)系下的精確位姿。

當(dāng)然，這個(gè)算法在具體實(shí)施過程中還是有很多細(xì)節(jié)的：如何建立模板、顏色梯度的表示等。另外，這種方法無法應(yīng)對(duì)物體被遮擋的情況。（當(dāng)然，通過降低匹配閾值，可以應(yīng)對(duì)部分遮擋，但是會(huì)造成誤識(shí)別）。

針對(duì)部分遮擋的情況，我們實(shí)驗(yàn)室的張博士去年對(duì) LineMod 進(jìn)行了改進(jìn)，但由于論文尚未發(fā)表，所以就先不過多涉及了。

五．深度學(xué)習(xí)

由于深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域得到了非常好的效果，我們做機(jī)器人的自然也會(huì)嘗試把 DL 用到機(jī)器人的物體識(shí)別中。

首先，對(duì)于物體識(shí)別，這個(gè)就可以照搬 DL 的研究成果了，各種 CNN 拿過來用就好了。在 2016 年的『亞馬遜抓取大賽』中，很多隊(duì)伍都采用了 DL 作為物體識(shí)別算法。

然而， 在這個(gè)比賽中，雖然很多人采用 DL 進(jìn)行物體識(shí)別，但在物體位姿估計(jì)方面都還是使用比較簡(jiǎn)單、或者傳統(tǒng)的算法。似乎并未廣泛采用 DL。如 @周博磊 所說，一般是采用 semantic segmentation network 在彩色圖像上進(jìn)行物體分割，之后，將分割出的部分點(diǎn)云與物體 3D 模型進(jìn)行 ICP 匹配。

當(dāng)然，直接用神經(jīng)網(wǎng)絡(luò)做位姿估計(jì)的工作也是有的，如這篇：

Doumanoglou, Andreas, et al. "Recovering 6d object pose and predicting next-best-view in the crowd." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016.

它的方法大概是這樣：對(duì)于一個(gè)物體，取很多小塊 RGB-D 數(shù)據(jù)（只關(guān)心一個(gè)patch，用局部特征可以應(yīng)對(duì)遮擋）；每小塊有一個(gè)坐標(biāo)（相對(duì)于物體坐標(biāo)系）；然后，首先用一個(gè)自編碼器對(duì)數(shù)據(jù)進(jìn)行降維；之后，用將降維后的特征用于訓(xùn)練Hough Forest。

六. 與任務(wù)/運(yùn)動(dòng)規(guī)劃結(jié)合

這部分也是比較有意思的研究?jī)?nèi)容，由于機(jī)器視覺的目的是給機(jī)器人操作物體提供信息，所以，并不限于相機(jī)中的物體識(shí)別與定位，往往需要跟機(jī)器人的其他模塊相結(jié)合。

我們讓機(jī)器人從冰箱中拿一瓶『雪碧』，但是這個(gè) 『雪碧』 被『美年達(dá)』擋住了。

我們?nèi)祟惖淖龇ㄊ沁@樣的：先把 『美年達(dá)』 移開，再去取 『雪碧』 。

所以，對(duì)于機(jī)器人來說，它需要先通過視覺確定雪碧在『美年達(dá)』后面，同時(shí)，還需要確定『美年達(dá)』這個(gè)東西是可以移開的，而不是冰箱門之類固定不可拿開的物體。

當(dāng)然，將視覺跟機(jī)器人結(jié)合后，會(huì)引出其他很多好玩的新東西。由于不是我自己的研究方向，所以也就不再班門弄斧了。