Metodología para Generar Mapas de Calidad de Agarre en Bin Picking de Escenarios Novedosos

El presente trabajo propone una metodología para la generación de mapas de calidad de agarre en escenarios sintéticos, utilizando Blender, con el objetivo de entrenar una red neuronal para la tarea de bin picking en entornos industriales no estructurados. La metodología propuesta genera datos sintéticos mediante Blender, creando escenarios diversos que simulan condiciones reales, introduciendo aleatoriedad en la disposición, tamaño y orientación de los objetos. Se consideran variables clave como la planitud, suavidad, distancia al centro de masa, proximidad a los bordes, altura y el impacto del vector normal para la generación de mapas de calidad de agarre. Estos mapas sirven como etiquetas para entrenar una red neuronal U-Net, permitiendo identificar puntos óptimos de agarre en entornos nuevos y no estructurados. Los experimentos realizados mostraron que el modelo U-Net entrenado con datos sintéticos alcanzó un 82% de eficiencia en la tasa de éxito de agarre, con tiempos de procesamiento de 0.5 segundos por escenario, lo que lo posiciona como una opción significativamente más rápida y eficaz en comparación con DexNet 4.0. Estos resultados subrayan la capacidad del algoritmo para identificar puntos de agarre más adecuados, priorizando aquellos cercanos al centro de masa, lejos de los bordes, y sobre superficies planas. Además, se desarrolló un complemento de Blender de código abierto, diseñado para replicar y automatizar el proceso de generación de datos sintéticos, promoviendo su uso en futuros estudios o aplicaciones industriales

0000-0003-0498-1566