Vers une estimation de la pose 6D des bacs basée sur le deep learning à partir de scans 3D

Un système robotique automatisé doit être aussi robuste que possible et sûr en cas de défaillance, tout en offrant une précision et une répétabilité relativement élevées. Bien que les méthodes basées sur l’apprentissage profond deviennent la norme de recherche pour aborder les tâches de traitement de scans 3D et d’images, la norme industrielle pour le traitement de ces données reste fondée sur des approches analytiques. Notre article affirme que les méthodes analytiques sont moins robustes et plus difficiles à tester, à mettre à jour et à entretenir. Ce travail se concentre sur une tâche spécifique : l’estimation de la pose 6D d’un bac à partir de scans 3D. Nous présentons donc un jeu de données de haute qualité, composé de données synthétiques et de scans réels capturés à l’aide d’un scanner à lumière structurée, tous deux munis d’annotations précises. Par ailleurs, nous proposons deux méthodes différentes pour l’estimation de la pose 6D du bac : une méthode analytique, représentant la norme industrielle, et une méthode de référence basée sur les données. Les deux approches sont évaluées de manière croisée, et nos expériences montrent qu’enrichir l’entraînement du modèle neuronal data-driven à l’aide de données synthétiques améliore significativement ses performances. Ce papier est de nature préliminaire, car les méthodes proposées ont été entraînées et évaluées sur un jeu de données initial relativement restreint, que nous prévoyons d’étendre dans un futur proche.