[khoahocphattrien] Cải tiến robot công nghiệp: Phát triển một bộ dữ liệu tư thế 6D

Các nhà nghiên cứu từ trường Đại học Công nghiệp Hà Nội, Đại học Bách khoa Hà Nội và Viện Công nghệ Shibaura (Nhật Bản) đã phát triển một bộ dữ liệu tư thế 6D mới được thiết kế để cải thiện độ chính xác và khả năng thích ứng của robot trong môi trường công nghiệp.

Hệ thống đóng gói robot tự động được sử dụng trong công nghiệp. Ảnh minh họa: Shutterstock

Khung cảnh các dây chuyền sản xuất hoạt động liên tục với những cánh tay robot vận hành nhịp nhàng và đều thoăn thoắt thường khiến người xem ấn tượng và tò mò về các công nghệ đằng sau nó. Và nếu như bạn chưa biết, thì việc ước lượng tư thế chính xác của vật thể - nói cách khác là khả năng của robot trong việc xác định cả vị trí và hướng của một vật thể - chính là một trong những yếu tố quan trọng nhất trong robot học, đặc biệt đối với các nhiệm vụ gắp và đặt - vốn đóng vai trò thiết yếu trong các ngành công nghiệp như sản xuất và hậu cần.

Khi robot ngày càng được giao phó các nhiệm vụ phức tạp, khả năng xác định chính xác sáu bậc tự do (tư thế 6D) của vật thể, bao gồm vị trí và hướng, trở nên cực kỳ quan trọng. Khả năng này đảm bảo rằng robot có thể tương tác với vật thể một cách ổn định, chính xác và an toàn. Song, mặc dù đã có những tiến bộ trong công nghệ học sâu, hiệu suất của các thuật toán ước lượng tư thế 6D phần lớn vẫn phụ thuộc vào chất lượng dữ liệu mà chúng được huấn luyện.

Tạo và xác thực trong thế giới thực

Trong quá trình tìm giải pháp để giải quyết bài toán này, PGS.TS Phan Xuân Tân (trường Kỹ thuật, Viện Công nghệ Shibaura, Nhật Bản) và nhóm nghiên cứu đến từ trường Đại học Công nghiệp Hà Nội và Đại học Bách khoa Hà Nội đã cho ra đời một bộ dữ liệu được thiết kế tỉ mỉ nhằm nâng cao hiệu suất của các thuật toán ước lượng tư thế 6D. Bộ dữ liệu này giải quyết một khoảng trống quan trọng trong nghiên cứu về gắp nắm và tự động hóa robot thông qua việc cung cấp một nguồn tài nguyên toàn diện, giúp robot thực hiện các nhiệm vụ với độ chính xác và khả năng thích ứng cao hơn trong môi trường thực tế. Kết quả nghiên cứu mới đây đã được công bố trong bài báo “A comprehensive RGB-D dataset for 6D pose estimation for industrial robots pick and place: Creation and real-world validation” trên tạp chí Results in Engineering

“Mục tiêu của chúng tôi là tạo ra một bộ dữ liệu không chỉ thúc đẩy nghiên cứu mà còn giải quyết các thách thức thực tiễn trong tự động hóa robot công nghiệp”, PGS.TS Phan Xuân Tân chia sẻ trong thông cáo báo chí mới của Viện Công nghệ Shibaura. Theo đó, bộ dữ liệu, kết hợp hình ảnh RGB (hình ảnh được tạo ra từ ba kênh màu chính: đỏ, xanh lá và xanh dương) và độ sâu, cho thấy tiềm năng đáng kể trong việc nâng cao độ chính xác của robot khi thực hiện các nhiệm vụ gắp và đặt trong môi trường đòi hỏi độ chính xác cao.

Với khoản tài trợ từ Quỹ Đổi mới Sáng tạo Vingroup (VINIF), nhóm nghiên cứu đã tạo ra một bộ dữ liệu không chỉ đáp ứng nhu cầu của cộng đồng nghiên cứu mà còn có thể ứng dụng trong các môi trường công nghiệp thực tiễn. Nhờ vào việc sử dụng camera Intel RealSense™ Depth D435, nhóm nghiên cứu đã thu thập hình ảnh RGB và độ sâu chất lượng cao, đồng thời gán nhãn từng ảnh với dữ liệu tư thế 6D, bao gồm phép quay và phép tịnh tiến của các vật thể. Bộ dữ liệu bao gồm nhiều hình dạng và kích thước khác nhau, đồng thời được áp dụng kỹ thuật tăng cường dữ liệu để đảm bảo tính linh hoạt trong nhiều điều kiện môi trường đa dạng. Cách tiếp cận này cũng giúp cho bộ dữ liệu có tính ứng dụng cao trong nhiều lĩnh vực robot riêng biệt.

Nghe thì tưởng chừng như không có quá nhiều khác biệt so với các bộ dữ liệu thông thường, song, việc tạo ra một bộ dữ liệu toàn diện với khả năng ứng dụng hiệu quả trong thực tế không phải là một điều đơn giản. “Hầu hết các thuật toán 6D hiệu suất cao đều thiếu các phương pháp được công bố công khai để tạo các tập dữ liệu cần thiết, gây ra rất nhiều thách thức cho các nhà nghiên cứu”, nhóm nghiên cứu giải thích trong công bố mới.

Bên cạnh đó, dù trên thực tế đã có một số bộ dữ liệu tư thế 6D có tên là LineMOD, YCB-Video và T-LESS, song, mỗi bộ lại đều có những ưu điểm và hạn chế riêng. “YCB-Video cung cấp các video thực tế với nhiều vật thể và bối cảnh đa dạng nhưng đòi hỏi tài nguyên tính toán cao và quy trình gán nhãn dữ liệu phức tạp. T-LESS tập trung vào các vật thể không có kết cấu nhưng lại bị giới hạn về số lượng và sự đa dạng của vật thể”, nhóm nghiên cứu phân tích trong bài báo. LineMOD, dù nổi trội với dữ liệu về các vật thể đơn giản và nền được kiểm soát giúp cho bộ dữ liệu dễ sử dụng hơn, song lại không có phương pháp tái tạo rõ ràng để tạo các tập dữ liệu tương tự cho những ứng dụng khác.

Để giải quyết thách thức này, PGS.TS Phan Xuân Tân và nhóm nghiên cứu đã công khai việc thu thập và xây dựng dữ liệu, huấn luyện và đánh giá các thuật toán ước lượng tư thế 6D tiên tiến, cũng như thử nghiệm thực tế trên hệ thống gắp nắm robot. Đối với quá trình thu thập dữ liệu, camera chuyên dụng được sử dụng để chụp ảnh RGB và độ sâu. Trước đó, nhóm nghiên cứu thực hiện hiệu chỉnh camera để trích xuất các tham số của camera. Sau đó, dữ liệu thu được được sử dụng để xây dựng mô hình thu thập thông tin dựa trên ma trận cho từng vật thể trong ảnh.

Tiếp theo, một mô hình CAD 3D của từng vật thể được tạo ra kèm theo các tệp chú thích 2D và 3D tương ứng. Bộ dữ liệu sau đó được định dạng để huấn luyện các mô hình học sâu tiên tiến nhất có tên là EfficientPose và FFB6D. Trọng số của mô hình được kiểm tra và đánh giá bằng các hình ảnh và video đã thu trước đó. “Các thuật toán này thực hiện dự đoán về các thuộc tính của vật thể trong bộ dữ liệu, bao gồm ma trận tư thế, tọa độ trọng tâm và kết quả nhận diện vật thể”, nhóm nghiên cứu giải thích. Cuối cùng, thông tin dự đoán được áp dụng vào hệ thống gắp-nhả của robot để thực hiện thao tác gắp và thả, giúp đánh giá hiệu quả của bộ dữ liệu.

Hữu ích cả trong nghiên cứu và thực tiễn

Điều đáng chú ý là kết quả đánh giá bộ dữ liệu bằng các mô hình học sâu EfficientPose và FFB6D cho thấy độ chính xác lần lượt là 97,05% và 98,09% - những tỷ lệ chính xác rất cao - chứng minh rằng bộ dữ liệu mới cung cấp thông tin tư thế đáng tin cậy và chính xác. Đây chính là yếu tố quan trọng đối với các ứng dụng như thao tác robot, kiểm soát chất lượng trong sản xuất và phương tiện tự hành. Hiệu suất vượt trội của các thuật toán này trên bộ dữ liệu cũng khẳng định tiềm năng nâng cao các hệ thống robot yêu cầu độ chính xác cao.

Tất nhiên, một bộ dữ liệu dù được chuẩn bị công phu đến mức nào cũng vẫn sẽ luôn còn khoảng trống, nhất là khi so sánh với vô vàn tình huống đa dạng trong thực tiễn. PGS.TS Phan Xuân Tân lưu ý, mặc dù bộ dữ liệu của nhóm nghiên cứu đã chứa dữ liệu của nhiều hình dạng cơ bản như lăng trụ chữ nhật, hình thang và hình trụ, song, việc bổ sung vào tập dữ liệu thông tin về các vật thể phức tạp và không đều sẽ giúp bộ dữ liệu này có tính ứng dụng cao hơn trong các bối cảnh thực tế.

Ông cũng cho biết thêm, mặc dù camera Intel RealSense™ Depth D435 mà nhóm nghiên cứu sử dụng giúp cung cấp dữ liệu độ sâu và RGB chất lượng cao, nhưng việc bộ dữ liệu phụ thuộc vào thiết bị này cũng có thể gây khó khăn cho các nhà nghiên cứu không có cùng loại thiết bị.
Dù vậy, bất chấp những thách thức này, các nhà nghiên cứu vẫn lạc quan về tác động lâu dài mà bộ dữ liệu đem lại. Kết quả cho thấy rõ ràng rằng một bộ dữ liệu được thiết kế tốt có thể cải thiện đáng kể hiệu suất của các thuật toán ước lượng tư thế 6D, từ đó giúp robot thực hiện các nhiệm vụ phức tạp hơn với độ chính xác và hiệu quả cao hơn.

Nhìn về tương lai, nhóm nghiên cứu cũng có kế hoạch mở rộng bộ dữ liệu bằng cách đưa vào nhiều loại vật thể hơn và tự động hóa một số phần của quá trình thu thập dữ liệu để nâng cao hiệu suất và khả năng tiếp cận. “Bộ dữ liệu của chúng tôi được thiết kế cẩn thận để có thể ứng dụng hiệu quả trong công nghiệp”, PGS.TS Phan Xuân Tân cho hay. Điều đáng nói là trong lĩnh vực gắp nắm robot, các thuật toán ước lượng tư thế 2D đã trở nên lỗi thời và không còn đáp ứng được các yêu cầu hiện đại. Việc chuyển sang ước lượng tư thế 6D của vật thể, đặc biệt thông qua các phương pháp học sâu, sẽ giúp cải thiện đáng kể hiệu suất. “Bằng việc đưa vào các vật thể với hình dạng đa dạng và các biến số môi trường khác nhau, chúng tôi kỳ vọng rằng bộ dữ liệu này không chỉ là nguồn tài nguyên quý giá cho các nhà nghiên cứu mà còn hỗ trợ các kỹ sư làm việc trong các lĩnh vực đòi hỏi robot phải hoạt động trong điều kiện động và phức tạp”.

Bài đăng KH&PT số 1335 (số 11/2025)

Nguồn: Báo Khoa học phát triển