JP2022042103A - 物体認識装置、物体認識方法及びプログラム - Google Patents

Abstract

【課題】対象物体の位置及び姿勢の認識に関してノイズの影響を抑制し得る構成を提供する。【解決手段】三次元モデルデータから選択された複数組の一対の点データについてそれぞれ特徴量を算出した算出結果と、三次元センサ１２により計測された三次元計測データから選択された複数組の一対の点データについてそれぞれ特徴量を算出した算出結果とに基づいて、三次元センサ１２により計測されたワークＷの位置及び姿勢が認識される。三次元センサ１２にて計測される点データには、当該三次元センサ１２からワークＷに向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、三次元計測データから、基準点として選択された１つの点データと、基準点を基準とする座標系であって当該基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において基準点との距離が最も小さくなる点データとが、一対の点データとして選択される。【選択図】図４

Description

本発明は、対象物体の位置及び姿勢を認識する物体認識装置、物体認識方法及びプログラムに関するものである。

従来、三次元センサにて計測した対象物体の位置及び姿勢を認識する物体認識に関する技術として、例えば、下記特許文献１に開示されるロボットシステムが知られている。このロボットシステムでは、三次元センサによって対象物体の表面形状を表すシーン点群データが取得されて、このシーン点群データから選択されたポイントペアの幾何学的関係を規定するポイントペア特徴量（ＰＰＦ）が各ポイントペアについて計算されると、これらのポイントペア特徴量と予め用意されたモデル点群データから計算されたポイントペア特徴量とに基づいて、三次元シーンにおける対象物体の姿勢が認識される。これにより、箱の中に乱雑に積まれた複数の物体の中から把持すべき特定の物体の姿勢を把握でき、その物体を適切に把持することができる。

特開２０１８－１８９５１０号公報

ところで、計測対象となる物体の色や材質等によっては、対象物体からの反射光が不安定になるため、計測結果にノイズが含まれる場合がある。例えば、表面が黒色の部材や鏡面反射が生じやすい金属部材、半透明の樹脂部材などでは、対象物体からの反射光が不安定になりやすく、計測結果にノイズが含まれやすくなる。このように発生したノイズの影響により、対象物体の位置及び姿勢に関して認識誤差が生じると、ロボットによる対象物体のピッキングミス等が発生しやすくなるという問題がある。

このため、例えば、高性能なセンサを導入すると、センサ導入コストが高くなるだけでなくセンサ自体が大型化するために、ロボットアームに搭載できない等、用途が限られてしまう場合がある。また、計測回数を増やすことで計測精度を高めることができるが、計測時間が長くなることからレスポンスが悪化するという問題がある。

本発明は、上述した課題を解決するためになされたものであり、その目的とするところは、対象物体の位置及び姿勢の認識に関してノイズの影響を抑制し得る構成を提供することにある。

上記目的を達成するため、特許請求の範囲の請求項１に記載の発明は、
対象物体（Ｗ）の三次元形状を表す点群データからなる三次元モデルデータを取得する取得部（１１，１６）と、
前記取得部により取得された前記三次元モデルデータから一対の点データを複数組選択する第１選択部（１１）と、
前記第１選択部により選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第１特徴量算出部（１１）と、
所定の計測範囲における前記対象物体の表面の形状を表す点群データからなる三次元計測データを計測する三次元センサ（１２）と、
前記三次元センサにより計測された前記三次元計測データから一対の点データを複数組選択する第２選択部（１１）と、
前記第２選択部により選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第２特徴量算出部（１１）と、
前記第１特徴量算出部による算出結果と前記第２特徴量算出部による算出結果とに基づいて、前記三次元センサにより計測された前記対象物体の位置及び姿勢を認識する認識部（１１）と、
を備え、
前記三次元センサにて計測される前記点データには、当該三次元センサから前記対象物体に向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、
前記第２選択部は、前記三次元計測データから、基準点として選択された１つの点データと、前記基準点を基準とする座標系であって当該基準点との距離が前記Ｚ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において前記基準点との距離が最も小さくなる点データとを、前記一対の点データとして選択することを特徴とする。
なお、上記各括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示すものである。

請求項１の発明では、三次元モデルデータから第１選択部により選択された複数組の一対の点データについてそれぞれ特徴量を算出する第１特徴量算出部の算出結果と、三次元センサにより計測された三次元計測データから第２選択部により選択された複数組の一対の点データについてそれぞれ特徴量を算出する第２特徴量算出部の算出結果とに基づいて、三次元センサにより計測された対象物体の位置及び姿勢が認識部により認識される。三次元センサにて計測される点データには、当該三次元センサから対象物体に向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、第２選択部では、三次元計測データから、基準点として選択された１つの点データと、基準点を基準とする座標系であって当該基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において基準点との距離が最も小さくなる点データとが、一対の点データとして選択される。

対象物体からの反射光が不安定になるために生じるノイズは、対象物体に向かう方向で大きくなりやすい。すなわち、上述した変換の前の実座標系での点データのＸＹＺ三次元座標データは、Ｚ座標値がＸ座標値及びＹ座標値に対してノイズの影響を受けやすい。そうすると、最も距離が小さくなる一対の点データを複数組選択してそれぞれ特徴量を算出する場合に、Ｚ座標値に関してノイズの影響を受けた点データが誤って選択されてしまったために、正確な特徴量が算出できなくなる。

このため、第２選択部では、上述のように基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において基準点との距離が最も小さくなる点データが選択される。このように選択された点データは、Ｘ座標値及びＹ座標値を、ノイズの影響を受けやすいＺ座標値よりも重視するように選択されたものとなるからである。これにより、特徴量を算出するための一対の点データに関してノイズの可能性が高い点データが選択され難くなるので、対象物体の位置及び姿勢の認識に関してノイズの影響を抑制することができる。

請求項２の発明では、請求項１と同様の効果を奏する物体認識方法を実現できる。
請求項３の発明では、請求項１と同様の効果を奏するプログラムを実現できる。

第１実施形態に係る物体認識装置を概略的に例示するブロック図である。 一対の点データからＰＰＦによって算出される特徴量を説明する説明図である。 物体認識装置の制御部にてなされる物体認識処理の流れを例示するフローチャートである。 第１実施形態において仮想座標系と実座標系との関係を説明する説明図である。 仮想座標距離の算出例を説明する説明図である。 Ｚ精度とＸ精度及びＹ精度との計測精度比を例示する説明図である。 第１実施形態の第１変形例において仮想座標系と実座標系との関係を説明する説明図である。 第１実施形態の第２変形例においてθ≧θ’となる場合の仮想座標系と実座標系との関係を説明する説明図である。 第１実施形態の第２変形例においてθ＜θ’となる場合の仮想座標系と実座標系との関係を説明する説明図である。

［第１実施形態］
以下、本第１実施形態に係る物体認識装置、物体認識方法及びプログラムについて、図面を参照して説明する。
図１に示す物体認識装置１０は、三次元センサにより計測された対象物体の位置及び姿勢を認識する装置である。より具体的には、物体認識装置１０は、対象物体となるワークＷを把持して移動させるロボットアーム（図示略）に搭載されており、予め取得して記憶部に記憶したワークＷの三次元モデルデータを利用して、ロボットアームの制御部に対して、把持すべきワークＷの位置及び姿勢等に関する情報を出力するように構成されている。なお、ワークＷの三次元モデルデータは、当該ワークＷの三次元形状を表す点群データによって構成されるもので、各点群データにはそれぞれ三次元座標データ及び法線ベクトルが含まれている。

物体認識装置１０は、ＣＰＵ等からなる制御部１１や三次元センサ１２、半導体メモリ等からなる記憶部１３に加えて、操作部１４及び表示部１５やロボットアーム等の外部機器と通信するための通信部１６などを備えている。

三次元センサ１２は、所定の計測範囲におけるワークＷなどの対象物体からの反射光を受光することで、その対象物体の表面の三次元形状を表す点群データからなる三次元計測データを計測するように機能する。点群データを構成する多数の点データには、それぞれ、三次元センサ１２から対象物体に向かう方向をＺ軸とするＸＹＺ三次元座標データ及び法線ベクトルが含まれている。

このように構成される物体認識装置１０では、当該物体認識装置１０を制御するコンピュータとして機能する制御部１１にて実行される所定のプログラム（以下、物体認識プログラムともいう）によって実現される物体認識処理により、ワークＷの位置及び姿勢が認識される。この物体認識処理では、三次元センサ１２の三次元計測データから算出される特徴量の算出結果と予め取得したワークＷの三次元モデルデータから算出される特徴量の算出結果とに基づいて、三次元センサ１２により計測されたワークＷの位置及び姿勢が認識されて、その認識結果がロボットアームの制御部に出力される。

より具体的には、点群データから一対の点データを複数組選択して、図２に例示するように、距離ｄだけ離れた一対の点データのＸＹＺ三次元座標データ（ｍ１，ｍ２）及び法線ベクトル（ｎ１，ｎ２）からＰｏｉｎｔ Ｐａｉｒ Ｆｅａｔｕｒｅ（ＰＰＦ）と呼ばれる算出方法を用いて特徴量（Ｆ１～Ｆ４）が算出される。このように算出される特徴量は、２点間の変位ベクトルとその２点における法線ベクトルとの幾何学的関係を表す４次元量に相当するもので、全ての一対の点データごとに特徴量が計算される。このような特徴量の算出が三次元センサ１２を利用して計測されたワークＷの三次元計測データと予め取得したワークＷの三次元モデルデータとについてそれぞれなされ、それぞれ算出された特徴量のマッチングに応じてワークＷの位置及び姿勢が認識される。

特に、本実施形態では、三次元計測データにおける特徴量の算出に関して、基準点として選択された１つの点データと、この基準点を基準とする座標系であって当該基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系（以下、仮想座標系ともいう）において上記基準点との距離が最も小さくなる点データとを、一対の点データとして選択する。

以下、このように、Ｚ軸に関して基準点との距離が大きくなるように座標変換した仮想座標系において基準点との距離が最も小さくなる点データを選択する理由について説明する。

計測対象となる物体の色や材質等によっては、対象物体からの反射光が不安定になるために計測結果にノイズが含まれる場合がある。例えば、その表面が黒色の部材や鏡面反射が生じやすい金属部材、半透明の樹脂部材などからなるワークＷを計測対象とする場合、ワークＷからの反射光が不安定になりやすく、計測結果にノイズが含まれやすくなる。このように発生したノイズの影響により、ワークＷの位置及び姿勢に関して認識誤差が生じると、ロボットによるワークＷのピッキングミス等が発生しやすくなるという問題がある。

上述のように対象物体からの反射光が不安定になるために生じるノイズは、対象物体に向かう方向で大きくなりやすい。すなわち、対象物体に向かう方向をＺ軸とするとき、上述した変換の前の実座標系での点データのＸＹＺ三次元座標データは、Ｚ座標値がＸ座標値及びＹ座標値に対してノイズの影響を受けやすい。そうすると、実座標系において最も距離が小さくなる一対の点データを複数組選択してそれぞれ特徴量を算出する場合に、Ｚ座標値に関してノイズの影響を受けた点データが誤って選択されてしまったために、正確な特徴量が算出できなくなる場合がある。

そこで、本実施形態において制御部１１にてなされる物体認識処理では、上述のように基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した仮想座標系において基準点との距離が最も小さくなる点データと、その基準点とを、一対の点データとして選択する。このように選択された点データは、Ｘ座標値及びＹ座標値を、ノイズの影響を受けやすいＺ座標値よりも重視するように選択されたものとなるからである。これにより、特徴量を算出するための一対の点データに関してノイズの可能性が高い点データが選択され難くなるので、対象物体の位置及び姿勢の認識に関してノイズの影響を抑制することができる。

以下、制御部１１にてなされる物体認識処理について、図３に示すフローチャートを参照して詳述する。
操作部１４に対する所定の操作等に応じて制御部１１により物体認識処理が開始されると、まず、ステップＳ１０１に示す三次元モデルデータ取得処理がなされる。この処理では、計測対象となるワークＷの三次元モデルデータが、通信部１６を介して外部機器等から取得されて、記憶部１３に記憶される。なお、制御部１１及び通信部１６は、「取得部」の一例に相当し得る。

次に、ステップＳ１０３に示す点データ選択処理がなされ、取得された三次元モデルデータから一対の点データが上述のように複数組選択される。続いて、ステップＳ１０５に示す三次元モデル特徴量算出処理がなされ、選択された全ての一対の点データごとに、上述したＰＰＦを利用した特徴量（以下、三次元モデル特徴量ともいう）が算出される。なお、ステップＳ１０３の点データ選択処理は、「第１選択ステップ」の一例に相当し、この点データ選択処理を実行する制御部１１は、「第１選択部」の一例に相当し得る。また、ステップＳ１０５の三次元モデル特徴量算出処理は、「第１特徴量算出ステップ」の一例に相当し、この三次元モデル特徴量算出処理を実行する制御部１１は、「第１特徴量算出部」の一例に相当し得る。

このように、三次元モデル特徴量が算出されると、ステップＳ１０７に示す三次元計測データ計測処理がなされ、三次元センサ１２により、所定の計測範囲におけるワークＷの表面の形状を表す点群データからなる三次元計測データが計測される。

次に、ステップＳ１０９に示す点データ選択処理がなされ、計測された三次元計測データから一対の点データが上述した座標変換を利用して複数組選択される。なお、ステップＳ１０９の点データ選択処理は、「第２選択ステップ」の一例に相当し、この点データ選択処理を実行する制御部１１は、「第２選択部」の一例に相当し得る。

具体的には、本実施形態では、図４に示すように、実座標系における正円Ｃ１が楕円Ｃ２に変換される仮想座標系において、基準点Ｐｏに対して選択候補となる点（以下、ペア候補点Ｐｃともいう）と基準点Ｐｏとの距離（以下、仮想座標距離ともいう）を算出して、この仮想座標距離が最も短くなるペア候補点Ｐｃを選択する。図４のａ，ｂは、楕円Ｃ２の縦横比率パラメータであり、長軸ａに対して短軸ｂを小さくするほど、仮想座標距離に関して、Ｚ座標値の影響がＸ座標値及びＹ座標値に対して小さくなる。

このため、図４の正円Ｃ１上に位置するペア候補点Ｐｃと基準点Ｐｏとの実座標距離をＤ１、このペア候補点Ｐｃと基準点Ｐｏとを繋ぐ直線と図４の楕円Ｃ２との交点までの実座標距離をＤ２とするとき、実座標系から仮想座標系に変換する変換係数ｒ２は、Ｄ２／Ｄ１に基づいて、ペア候補点Ｐｃの図４での角度θを利用して、図４の式（１）が成立する。なお、角度θは、基準点Ｐｏの座標を（０，０，０）、ペア候補点Ｐｃの座標を（ｘ，ｙ，ｚ）とするとき、図４の式（２）によって表される。

このため、楕円Ｃ２の縦横比率パラメータａ，ｂと角度θとから求めた変換係数ｒ２に基づいて、仮想座標距離を、Ｄ１／ｒ２として求め、この仮想座標距離が最も短くなるペア候補点Ｐｃを、その基準点とのペアとして選択する。例えば、変換係数ｒ２が０．７として算出された場合に、実座標距離Ｄ１が１ｍｍとして計測されていると、仮想座標距離は、１．４３ｍｍとして算出される。

このように、仮想座標系での仮想座標距離が最も短くなるペア候補点Ｐｃを選択することで、ノイズが生じやすいＺ座標値の影響をＸ座標値及びＹ座標値に対して小さくすることができる。

例えば、図５に例示するように、長軸ａ：短軸ｂが１：０．５となる楕円Ｃ２に実座標系における正円Ｃ１が変換される仮想座標系において、基準点Ｐｏ（０，０，０）に関して、ペア候補点Ｐｃ１（１，１，０）とペア候補点Ｐｃ２（１，０，１）とで仮想座標距離を算出する場合を想定する。ペア候補点Ｐｃ１（１，１，０）は、θ＝０°、ｒ２＝１となることから、仮想座標距離は１．４１として算出される。一方、ペア候補点Ｐｃ２（１，０，１）は、θ＝４５°、ｒ２＝０．６３となることから、仮想座標距離は２．２４として算出される。このため、仮想座標距離が短くなるペア候補点Ｐｃ１（１，１，０）が選択される。

上述のように仮想座標系を考慮しない場合には、基準点Ｐｏからペア候補点Ｐｃ１までの実座標距離と基準点Ｐｏからペア候補点Ｐｃ２までの実座標距離とは同じになるため、上述のような仮想座標系を考慮することで、Ｚ座標値の影響をＸ座標値及びＹ座標値に対して小さくできていることがわかる。

上述のようにステップＳ１０９の点データ選択処理にて三次元計測データから複数組の一対の点データが複数組選択されると、ステップＳ１１１に示す三次元計測特徴量算出処理がなされ、選択された全ての一対の点データごとに、上述したＰＰＦを利用した特徴量（以下、三次元計測特徴量ともいう）が算出される。なお、ステップＳ１１１の三次元計測特徴量算出処理は、「第２特徴量算出ステップ」の一例に相当し、この三次元計測特徴量算出処理を実行する制御部１１は、「第２特徴量算出部」の一例に相当し得る。

続いて、ステップＳ１１３に示す認識処理がなされ、算出された各三次元モデル特徴量と各三次元計測特徴量とのマッチングに基づいて、三次元センサ１２により計測されたワークＷの位置及び姿勢が認識される。そして、ステップＳ１１５に示す出力処理がなされ、上述のようにワークＷに関して認識された認識結果等に関する情報が、通信部１６を介してロボットアームの制御部に出力される。なお、ステップＳ１１３の認識処理を実行する制御部１１は、「認識部」の一例に相当し得る。

このように、ロボットアームの制御部では、把持すべきワークＷの位置及び姿勢を物体認識装置１０から取得できるので、そのワークＷを正確に把持することができる。

以上説明したように、本実施形態に係る物体認識装置１０では、三次元モデルデータからステップＳ１０３の点データ選択処理により選択された複数組の一対の点データについてそれぞれ特徴量を算出するステップＳ１０５の三次元モデル特徴量算出処理の算出結果と、三次元センサ１２により計測された三次元計測データからステップＳ１０９の点データ選択処理により選択された複数組の一対の点データについてそれぞれ特徴量を算出するステップＳ１１１の三次元計測特徴量算出処理の算出結果とに基づいて、三次元センサ１２により計測されたワークＷの位置及び姿勢がステップＳ１１３の認識処理により認識される。三次元センサ１２にて計測される点データには、当該三次元センサ１２からワークＷに向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、ステップＳ１０９の点データ選択処理では、三次元計測データから、基準点として選択された１つの点データと、基準点を基準とする座標系であって当該基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において基準点との距離が最も小さくなる点データとが、一対の点データとして選択される。

このように、ステップＳ１０９の点データ選択処理では、基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において基準点との距離が最も小さくなる点データが選択される。このように選択された点データは、Ｘ座標値及びＹ座標値を、ノイズの影響を受けやすいＺ座標値よりも重視するように選択されたものとなるからである。これにより、特徴量を算出するための一対の点データに関してノイズの可能性が高い点データが選択され難くなるので、対象物体の位置及び姿勢の認識に関してノイズの影響を抑制することができる。

なお、上記ステップＳ１０９に示す点データ選択処理にて利用される座標変換では、長軸ａ：短軸ｂが１：０．５となる楕円Ｃ２に実座標系における正円Ｃ１が変換される処理が採用されることに限らず、対象物体等に応じて、他の楕円比率にて変換される処理が採用されてもよい。例えば、図６に示すような計測精度比の対象物体に対して物体認識処理を行う場合には、Ｚ精度がＸ精度やＹ精度に対して約１００倍となっていることから、長軸ａ：短軸ｂが１：０．０１となる楕円に実座標系における正円が変換される処理を採用してもよい。

また、上記ステップＳ１０９に示す点データ選択処理にて利用される座標変換は、上述した実座標系における正円が楕円に変換される仮想座標系が採用されることに限らず、基準点との距離がＺ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系であればよい。

例えば、本実施形態の第１変形例として、図７に例示するように、実座標系における正円Ｃ１が菱形Ｃ３（長軸ａ，短軸ｂ）に変換される仮想座標系が採用されてもよい。この仮想座標系では、図７の正円Ｃ１上に位置するペア候補点Ｐｃと基準点Ｐｏとの実座標距離をＤ１、このペア候補点Ｐｃと基準点Ｐｏとを繋ぐ直線と図７の菱形Ｃ３との交点までの実座標距離をＤ３とするとき、実座標系から仮想座標系に変換する変換係数ｒ３は、Ｄ３／Ｄ１に基づいて、ペア候補点Ｐｃの図７での角度θを利用して、図７の式（３）が成立する。なお、角度θは、基準点Ｐｏの座標を（０，０，０）、ペア候補点Ｐｃの座標を（ｘ，ｙ，ｚ）とするとき、図７の式（４）によって表される。

図７に示すような仮想座標系を採用することで、楕円を利用した仮想座標系に対して、よりシビアに基準点とペア候補点の選択が行われるため、低精度な認識による誤動作が許容されず、高精度な認識結果を保証することが要求される用途に適用することができる。具体的には、例えば、高精度な三次元センサとロボットを組み合わせたシステムによる、精密部品のピッキングや組付けなどに採用することができる。

また、例えば、本実施形態の第２変形例として、図８及び図９に例示するように、実座標系における正円Ｃ１が長方形Ｃ４（長軸ａ，短軸ｂ）に変換される仮想座標系が採用されてもよい。この仮想座標系では、図８及び図９に示すように、正円Ｃ１上に位置するペア候補点Ｐｃと基準点Ｐｏとの実座標距離をＤ１、このペア候補点Ｐｃと基準点Ｐｏとを繋ぐ直線と長方形Ｃ４との交点までの実座標距離をＤ４とするとき、実座標系から仮想座標系に変換する変換係数ｒ４は、Ｄ４／Ｄ１に基づいて、ペア候補点Ｐｃの角度θを利用して、図８の式（５）又は図９の式（６）が成立する。なお、θ≧θ’となる場合に図８の式（５）が成立し、θ＜θ’となる場合に図９の式（６）が成立する。また、角度θは、基準点Ｐｏの座標を（０，０，０）、ペア候補点Ｐｃの座標を（ｘ，ｙ，ｚ）とするとき、図８及び図９の式（７）によって表され、角度θ’は、図８及び図９の式（８）によって表される。

図８及び図９に示すような仮想座標系を採用することで、よりルーズに基準点とペア候補点の選択が行われるため、低精度な認識が許容されるような用途に適用することができる。具体的には、例えば、低精度な三次元センサとロボットを組み合わせたシステムで、大型のパレット搬送などに採用することができる。

［他の実施形態］
なお、本発明は上記実施形態及び変形例等に限定されるものではなく、例えば、以下のように具体化してもよい。
（１）三次元モデルデータの特徴量は、上述した物体認識処理におけるステップＳ１０１，Ｓ１０３，Ｓ１０５の処理のように通信部１６を介して取得した三次元モデルデータから算出されることに限らず、予め算出された三次元モデルデータの特徴量が外部機器等から通信部１６を介して物体認識装置１０に入力されてもよい。この場合、三次元モデルデータの特徴量を算出した外部機器等を物体認識装置１０に含めることができる。

（２）物体認識処理では、前回と同じ形状の対象物体の位置及び姿勢を認識する場合には、前回得た三次元モデル特徴量を利用することで、ステップＳ１０１，Ｓ１０３，Ｓ１０５の処理を省略してもよい。

（３）本発明は、ＰＰＦを用いて特徴量を算出する物体認識処理に採用されることに限らず、例えば、Ｆａｓｔ Ｐｏｉｎｔ Ｆｅａｔｕｒｅ Ｈｉｓｔｏｇｒａｍｓ（ＦＰＦＨ）など、点群データから一対の点データを複数組選択して特徴点を算出する物体認識処理に採用することができる。

（４）本発明に係る物体認識装置１０は、対象物体となるワークＷを把持して移動させるロボットアームに搭載されるように構成されることに限らず、他の対象物体を認識する装置、例えば、侵入者有無判断する外周監視用の物体認識装置等として構成されてもよい。

１０…物体認識装置
１１…制御部（取得部，第１選択部，第１特徴量算出部，第２選択部，第２特徴量算出部，認識部）
１２…三次元センサ
１６…通信部（取得部）
Ｗ…ワーク（対象物体）

Claims (3)

1. 対象物体の三次元形状を表す点群データからなる三次元モデルデータを取得する取得部と、
   前記取得部により取得された前記三次元モデルデータから一対の点データを複数組選択する第１選択部と、
   前記第１選択部により選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第１特徴量算出部と、
   所定の計測範囲における前記対象物体の表面の形状を表す点群データからなる三次元計測データを計測する三次元センサと、
   前記三次元センサにより計測された前記三次元計測データから一対の点データを複数組選択する第２選択部と、
   前記第２選択部により選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第２特徴量算出部と、
   前記第１特徴量算出部による算出結果と前記第２特徴量算出部による算出結果とに基づいて、前記三次元センサにより計測された前記対象物体の位置及び姿勢を認識する認識部と、
   を備え、
   前記三次元センサにて計測される前記点データには、当該三次元センサから前記対象物体に向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、
   前記第２選択部は、前記三次元計測データから、基準点として選択された１つの点データと、前記基準点を基準とする座標系であって当該基準点との距離が前記Ｚ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において前記基準点との距離が最も小さくなる点データとを、前記一対の点データとして選択することを特徴とする物体認識装置。
2. 三次元センサにより計測された対象物体の位置及び姿勢を認識する物体認識方法であって、
   前記対象物体の三次元形状を表す点群データからなる三次元モデルデータを取得するステップと、
   前記三次元モデルデータから一対の点データを複数組選択する第１選択ステップと、
   前記第１選択ステップにより選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第１特徴量算出ステップと、
   前記三次元センサによって所定の計測範囲における前記対象物体の表面の形状を表す点群データからなる三次元計測データを計測するステップと、
   前記三次元計測データから一対の点データを複数組選択する第２選択ステップと、
   前記第２選択ステップにより選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第２特徴量算出ステップと、
   前記第１特徴量算出ステップによる算出結果と前記第２特徴量算出ステップによる算出結果とに基づいて、前記三次元センサにより計測された前記対象物体の位置及び姿勢を認識するステップと、
   を備え、
   前記三次元センサにて計測される前記点データには、当該三次元センサから前記対象物体に向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、
   前記第２選択ステップでは、前記三次元計測データから、基準点として選択された１つの点データと、前記基準点を基準とする座標系であって当該基準点との距離が前記Ｚ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において前記基準点との距離が最も小さくなる点データとが、前記一対の点データとして選択されることを特徴とする物体認識方法。
3. 三次元センサにより計測された対象物体の位置及び姿勢を認識する物体認識装置を制御するコンピュータにより実行されるプログラムであって、
   前記対象物体の三次元形状を表す点群データからなる三次元モデルデータを取得するステップと、
   前記三次元モデルデータから一対の点データを複数組選択する第１選択ステップと、
   前記第１選択ステップにより選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第１特徴量算出ステップと、
   前記三次元センサによって所定の計測範囲における前記対象物体の表面の形状を表す点群データからなる三次元計測データを計測するステップと、
   前記三次元計測データから一対の点データを複数組選択する第２選択ステップと、
   前記第２選択ステップにより選択された複数組の前記一対の点データについてそれぞれ特徴量を算出する第２特徴量算出ステップと、
   前記第１特徴量算出ステップによる算出結果と前記第２特徴量算出ステップによる算出結果とに基づいて、前記三次元センサにより計測された前記対象物体の位置及び姿勢を認識するステップと、
   を前記コンピュータに実行させ、
   前記三次元センサにて計測される前記点データには、当該三次元センサから前記対象物体に向かう方向をＺ軸とするＸＹＺ三次元座標データが含まれ、
   前記第２選択ステップでは、前記三次元計測データから、基準点として選択された１つの点データと、前記基準点を基準とする座標系であって当該基準点との距離が前記Ｚ軸に関してＸ軸及びＹ軸よりも大きくなるように座標変換した所定の座標系において前記基準点との距離が最も小さくなる点データとが、前記一対の点データとして選択されることを特徴とするプログラム。

Images