Système IA avancé pour détection précise d'objets dans environnements encombrés

La vision robotique a beaucoup progressé, atteignant un niveau de sophistication avec applications dans des tâches complexes et exigeantes comme la conduite autonome et la manipulation d'objets. Cependant, elle peine encore à identifier des objets individuels dans des scènes encombrées où certains objets sont partiellement ou complètement cachés derrière d'autres. Typiquement, face à de telles scènes, les systèmes de vision robotique sont entraînés à identifier l'objet occlus basé seulement sur ses parties visibles. Mais un tel entraînement nécessite de grands jeux de données d'objets et peut être fastidieux.

Le Professeur Associé Kyoobin Lee et l'étudiant Ph.D. Seunghyeok Back de l'Institut des Sciences et Technologies de Gwangju en Corée du Sud se sont trouvés face à ce problème en développant un système d'intelligence artificielle pour identifier et trier des objets dans des scènes encombrées. « Nous attendons qu'un robot reconnaisse et manipule des objets qu'il n'a pas rencontrés avant ou été entraîné à reconnaître. En réalité, cependant, nous devons collecter et étiqueter manuellement les données une par une car la généralisabilité des réseaux de neurones profonds dépend hautement de la qualité et quantité du jeu de données d'entraînement », dit Back.

Dans une nouvelle étude, menée par le Prof. Lee et Back, ils ont développé un modèle appelé « unseen object amodal instance segmentation » (UOAIS) pour détecter les objets occlus dans des scènes encombrées. Pour entraîner le modèle à identifier la géométrie d'objet, ils ont développé une base de données contenant 45 000 images photoréalistes synthétiques contenant de l'information de profondeur. Avec ces données d'entraînement (limitées), le modèle a pu détecter une variété d'objets occlus. Face à une scène encombrée, il isole d'abord l'objet d'intérêt et détermine si l'objet est occlus en le segmentant en un « masque visible » et un « masque amodal ».

Les chercheurs étaient excités par les résultats. « Les méthodes précédentes sont limitées à soit détecter seulement des types spécifiques d'objets, soit détecter seulement les régions visibles sans raisonner explicitement sur les zones occluses. En contraste, notre méthode peut inférer les régions cachées des objets occlus comme un système de vision humain. Cela permet une réduction des efforts de collecte de données tout en améliorant la performance dans un environnement complexe », dit Back.

Pour permettre le « raisonnement sur l'occlusion » dans leur système, les chercheurs ont introduit un schéma de « modélisation d'occlusion hiérarchique » (HOM), qui assigne une hiérarchie à la combinaison de multiples caractéristiques extraites et leur ordre de prédiction. En testant leur modèle contre trois benchmarks, ils ont validé l'efficacité du schéma HOM, qui a atteint une performance state-of-the-art.

Les chercheurs sont optimistes sur les perspectives futures de leur méthode. « Percevoir des objets non vus dans un environnement encombré est essentiel pour la manipulation robotique amodale. Notre méthode UOAIS pourrait servir de base sur ce front », dit Back.

Pour plus d'informations, contactez Seulhye Kim, Institut des Sciences et Technologies de Gwangju, à cet email protégé ; 82-627-156-253.