Gauss Process Models for the Automated Optimization of Measurement Parameters of a Robot-based 3D Inspection System

Abstract

En un sistema de medición tridimensional formado por un sensor óptico de luz estructurada montado en un brazo robótico, se propone una metodología para diseñar la rutina de medición evitando la saturación del sensor en superficies de alta reflectividad. Para ello se presentan dos modelos de aprendizaje automático basados en Procesos de Gauss. En primer lugar, un modelo de clasificación predice la posibilidad de obtener una medición satisfactoria de un punto o geometría de inspección en una determinada pose del robot, y posteriormente, el modelo de regresión predice para esa pose del robot el rango de tiempo de exposición correspondiente para una medición válida de esa geometría a inspeccionar. Los rangos de tiempo de exposición para múltiples geometrías de inspección en cada pose del robot se optimizan a fin de minimizar la cantidad de mediciones necesarias en cada pose. Los resultados de las predicciones de los modelos de aprendizaje automático en combinación con dicha lógica de optimización muestran rangos de tiempo de exposición conservadores pero precisos.

In an optical robot-based 3D measuring system consisting of an optical structured light sensor mounted on a robotic arm, a measuring routine concept is proposed to avoid sensor saturation under intense light reflections. For this purpose two machine learning models based on Gaussian Processes are presented. First, a classification model predicts the possibility of obtaining a successful measurement of an inspection feature in a given robot pose, then the regression model predicts the subsequent sensor exposure time range for a valid measurement. The exposure time ranges for multiple inspection features in a robot pose are optimized in order to minimize the amount of necessary measurements taken at each robot pose. The results of the ML models predictions in combination with the optimization implemented in the proposed concept show conservative but accurate exposure time ranges.