Pickalo：低コストな産業用ビンピッキングのための6Dポーズ推定の活用

要旨: 実環境でのビンピッキングは、深刻な散らかり、遮蔽、そして従来の3Dセンシング構成が高価であることにより、依然として困難です。私たちは、低コストなハードウェアのみで構築したモジュール式の6Dポーズに基づくビンピッキング手順であるPickaloを提案します。手首に装着したRGB-Dカメラが複数の視点から能動的にシーンを探索し、一方で、生のステレオ映像はBridgeDepthによって処理され、正確な衝突推論に適した洗練された深度マップを取得します。物体インスタンスは、フォトリアルな合成データのみに基づいて学習したMask-RCNNモデルでセグメントし、ゼロショットSAM-6Dポーズ推定器によって局在化します。ポーズバッファモジュールは、時間にわたって複数視点の観測を融合し、物体の対称性を扱い、ポーズノイズを大幅に低減します。オフラインでは、物体ごとに多数のアンチポダル把持候補を生成し、厳選します。オンラインでは、把持計画のために、効用ベースのランキングと高速な衝突チェックが照会されます。UR5e（平行爪グリッパおよびIntel RealSense D435i）に実装したPickaloは、最大で1時間あたり600回の平均ピックを達成し、把持成功率96-99%を実現し、密に充填されたユーロボックス上で30分間の連続運転にわたって頑健な性能を示します。アブレーション研究により、強化された深度推定と、長期安定性および実環境の産業条件におけるスループット向けのポーズバッファの有益性が実証されています。動画は https://mesh-iit.github.io/project-jl2-camozzi/ で公開されています。