Abschlussbericht Projekt LeaP - Learning Poses : Posenerkennung mit Neuronalen Netzen

Die Schätzung der 6D-Pose bekannter Objekte findet Anwendungen in der Robotik, der Luft- und Raumfahrtsteuerung und automatisierten Produktionsumgebungen. Es ist nach wie vor gängige Praxis, klassische Bildverarbeitungsmethoden zu verwenden, um eine hohe Präzision zu erreichen. Diese Methoden erfordern jedoch eine manuelle Parametrisierung der verwendeten Erkennungswerkzeuge für jedes einzelne Objekt. Dies wirft die Frage auf, ob maschinelle Lerntechniken, insb. convolutional neural networks, Netzwerke, so trainiert werden können, dass sie die in der Industrie geforderte Präzision ohne individuelle Programmierung erreichen können. Darüber sollen in Produktionsumgebungen Umwelteinflüsse wie Lichtverhältnisse minimiert werden. Es werden verschiedene Netzstrukturen entwickelt und auf ihre Leistung bei diesem Szenario untersucht, mit 1 bis 6 Freiheitsgraden in der Aufgabenstellung und einer oder mehreren Kameras. Zusätzlich wird ein Ansatz mit reinforcement learning entwickelt und untersucht.