概述

近日，全球機(jī)器人領(lǐng)域頂會(huì)ICRA 2025（IEEE機(jī)器人與自動(dòng)化國(guó)際會(huì)議）公布論文錄用結(jié)果，地瓜機(jī)器人主導(dǎo)研發(fā)的DOSOD開(kāi)放詞匯目標(biāo)檢測(cè)算法與MODEST單目透明物體抓取算法成功入選。前者通過(guò)動(dòng)態(tài)語(yǔ)義理解框架提升復(fù)雜場(chǎng)景識(shí)別準(zhǔn)確率，后者結(jié)合幾何建模與語(yǔ)義分析技術(shù)優(yōu)化透明物體操作精度，兩項(xiàng)技術(shù)成果均已在規(guī)模化商業(yè)場(chǎng)景中得到有效驗(yàn)證。此次投稿的兩篇論文全部入選，不僅彰顯了ICRA對(duì)機(jī)器人感知領(lǐng)域的高度重視，同時(shí)也印證了地瓜機(jī)器人團(tuán)隊(duì)在機(jī)器人視覺(jué)領(lǐng)域的領(lǐng)先優(yōu)勢(shì)。

DOSOD開(kāi)放詞匯目標(biāo)檢測(cè)算法，本期文章將圍繞MODEST單目透明抓取算法進(jìn)行重點(diǎn)介紹。

作為機(jī)器人執(zhí)行各項(xiàng)任務(wù)中繞不開(kāi)的操作對(duì)象，水杯、試管、窗戶(hù)等透明物體在人類(lèi)生活中無(wú)處不在。從精密制造、醫(yī)療實(shí)驗(yàn)室和家庭服務(wù)機(jī)器人等領(lǐng)域，透明物體的精確操作是提升自動(dòng)化和智能化水平的關(guān)鍵。然而，透明物體復(fù)雜的折射和反射特性給機(jī)器人感知造成了很大困難。在大多數(shù)RGB圖像中的透明物體往往缺乏清晰的紋理，而容易與背景混為一體。此外，商用深度相機(jī)也難以準(zhǔn)確捕捉這些物體的深度信息，導(dǎo)致深度圖缺失或噪聲過(guò)多，從而限制了機(jī)器人在多個(gè)領(lǐng)域的廣泛應(yīng)用。

為了解決透明物體的抓取問(wèn)題，地瓜機(jī)器人聯(lián)合中科院自動(dòng)化所（簡(jiǎn)稱(chēng)：CASIA）多模態(tài)人工智能系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室，推出了針對(duì)透明物體的單目深度估計(jì)和語(yǔ)義分割的多任務(wù)框架（簡(jiǎn)稱(chēng)：MODEST）。該框架借助創(chuàng)新性的語(yǔ)義和幾何融合模塊，結(jié)合獨(dú)特的特征迭代更新策略，顯著提升了深度估計(jì)和語(yǔ)義分割的效果，尤其在抓取成功率和系統(tǒng)泛化性方面取得了突破性進(jìn)展。

MODEST算法框架作為通用抓取模型的前置模塊，即插即用，靈活高效，且無(wú)需依賴(lài)額外傳感器，僅靠單張RGB圖像，便可實(shí)現(xiàn)透明物體的抓取，效果上甚至要優(yōu)于其它雙目和多視圖的方法，可以廣泛應(yīng)用于智能工廠、實(shí)驗(yàn)室自動(dòng)化、智慧家居等場(chǎng)景，降低設(shè)備成本并大幅提升機(jī)器人對(duì)透明物體的操作能力。

基本原理

當(dāng)前透明物體的抓取核心在于深度信息的獲取，目前無(wú)論是深度傳感器還是多視角重建的方法都無(wú)法獲取透明物體準(zhǔn)確完整的深度信息。為了解決透明物體感知難題，傳統(tǒng)方法大多依賴(lài)特殊傳感設(shè)備或多視角圖像，增加了時(shí)間和經(jīng)濟(jì)成本，并常常受限于應(yīng)用場(chǎng)景。MODEST單目框架首次突破了傳統(tǒng)傳感器處理透明物體時(shí)的限制，降低了設(shè)備成本和使用復(fù)雜度，提供了更加高效、經(jīng)濟(jì)和便捷的透明物體感知方案。

單目透明物體感知框架與其他方法之間的對(duì)比

MODEST主要聚焦于透明物體的深度估計(jì)，通過(guò)設(shè)計(jì)的語(yǔ)義和幾何結(jié)合的多任務(wù)框架，獲取物體準(zhǔn)確的深度信息，之后結(jié)合基于點(diǎn)云的抓取網(wǎng)絡(luò)實(shí)現(xiàn)透明物體的抓取。相當(dāng)于在通用抓取網(wǎng)絡(luò)前面增加一個(gè)針對(duì)透明物體的增強(qiáng)模塊。

MODEST模型的整體架構(gòu)如圖所示，輸入為單目RGB圖像，輸出為透明物體的分割結(jié)果和場(chǎng)景深度預(yù)測(cè)。網(wǎng)絡(luò)主要由編碼、重組、語(yǔ)義幾何融合和迭代解碼四個(gè)模塊組成。輸入圖像首先經(jīng)過(guò)基于ViT的編碼模塊進(jìn)行處理，隨后重組為對(duì)應(yīng)分割和深度兩個(gè)分支的多尺度特征。在融合模塊中對(duì)兩組特征進(jìn)行混合和增強(qiáng)，最后通過(guò)多次迭代逐步更新特征，并獲得最終預(yù)測(cè)結(jié)果。

基于語(yǔ)義幾何融合和迭代策略的透明物體單目多任務(wù)框架

對(duì)于透明物體來(lái)說(shuō)，語(yǔ)義分割任務(wù)可以為深度估計(jì)提供語(yǔ)義和上下文信息，而同樣深度估計(jì)可以為分割提供邊界、表面等幾何信息。為了充分挖掘兩個(gè)任務(wù)間的互補(bǔ)信息，MODEST算法框架構(gòu)建了基于注意力機(jī)制的語(yǔ)義幾何融合模塊，旨在同時(shí)提升兩個(gè)任務(wù)的性能。

語(yǔ)義幾何融合模塊結(jié)構(gòu)

當(dāng)人類(lèi)觀察透明物體等不顯著物體時(shí)，我們會(huì)傾向于先注意物體的整體輪廓，然后是局部細(xì)節(jié)。受人眼啟發(fā)，MODEST框架提出了一種由粗到細(xì)的特征更新策略，進(jìn)一步提升預(yù)測(cè)精度。

實(shí)驗(yàn)結(jié)果

為了測(cè)試MODEST全新算法框架的檢測(cè)效果，我們選取了透明物體領(lǐng)域兩個(gè)影響力廣泛的公開(kāi)仿真數(shù)據(jù)集Syn-TODD和真實(shí)數(shù)據(jù)集ClearPose，在其上與目前最先進(jìn)的透明物體雙目方法SimNet、多視圖方法MVTran以及多任務(wù)方法InvPT和TaskPrompter進(jìn)行對(duì)比實(shí)驗(yàn)。兩個(gè)大規(guī)模數(shù)據(jù)集都擁有超過(guò)100k的良好標(biāo)注圖像數(shù)據(jù)，并且包含了嚴(yán)重遮擋等極端場(chǎng)景。

公開(kāi)數(shù)據(jù)集上的定性和定量對(duì)比實(shí)驗(yàn)

仿真數(shù)據(jù)集Syn-TODD上的定性對(duì)比結(jié)果

真實(shí)數(shù)據(jù)集ClearPose上的定性對(duì)比結(jié)果

通過(guò)在兩個(gè)數(shù)據(jù)集上的定性對(duì)比結(jié)果可以看出，由于透明物體會(huì)錯(cuò)誤地折射背景，并且在RGB圖像中缺乏紋理，因此SimNet、MVTrans等方法無(wú)法獲得令人滿(mǎn)意的預(yù)測(cè)，從而導(dǎo)致深度圖和分割掩膜的大面積缺失。然而，通過(guò)有效的融合和迭代，在某些即使人眼都難以分析和判斷的場(chǎng)景，我們的方法依然能夠產(chǎn)生完整和清晰的預(yù)測(cè)結(jié)果。

仿真數(shù)據(jù)集Syn-TODD上的定量對(duì)比結(jié)果

真實(shí)數(shù)據(jù)集ClearPose上的定量對(duì)比結(jié)果

從表格中的定量對(duì)比可以看出，MODEST算法框架在各項(xiàng)指標(biāo)上都要大幅超過(guò)其他所有方法。值得注意的是，盡管只使用單張RGB圖像作為輸入，MODEST在深度估計(jì)和語(yǔ)義分割方面都要明顯優(yōu)于其他雙目甚至多視圖方法。并且在Syn-TODD數(shù)據(jù)集上，與排名第二的方法相比，MODEST算法框架在RMSE和REL兩項(xiàng)指標(biāo)有著超過(guò)45%的提升，語(yǔ)義分割的精度也均超過(guò)了90%。

真實(shí)平臺(tái)抓取實(shí)驗(yàn)

我們將算法遷移到真實(shí)機(jī)器人平臺(tái)，開(kāi)展了透明物體抓取實(shí)驗(yàn)。平臺(tái)主要由UR機(jī)械臂和深度相機(jī)構(gòu)成，在借助MODEST方法進(jìn)行透明物體精確感知的基礎(chǔ)之上，采用GraspNet進(jìn)行抓取位姿的生成。在多個(gè)透明物體上的實(shí)驗(yàn)結(jié)果表明，MODEST方法在真實(shí)平臺(tái)上具有良好的魯棒性和泛化性。