Tesis doctorales: TESEO

Ayuda Salir

Ficha de Tesis

Imprimir

Ministerio de Universidades - Gobierno de España

Título: RECONOCIMIENTO GEOMÉTRICO DE OBJETOS 3D Y DETECCIÓN DE DEFORMACIONES EN MANIPULACIÓN ROBÓTICA
Autor: Mateo Agulló, Carlos Manuel
Universidad: Universidad de Alicante
Departamento: Física, ingeniería de sistemas y teoría de la señal
Fecha de Lectura: 03/07/2017
Programa de doctorado: Programa Oficial de Doctorado en Automática y Robótica
Dirección:
- TORRES MEDINA, FERNANDO (DIRECTOR)
- GIL VÁZQUEZ, PABLO (DIRECTOR)
Tribunal:
- REINOSO GARCIA, ÓSCAR (PRESIDENTE)
- Corrales Ramón, Juan Antonio (SECRETARIO)
- SEBASTIÁN Y ZÚÑIGA, JOSÉ MARÍA (VOCAL)
Descriptores:
- VISION ARTIFICIAL
- ROBOTICA
- INFORMATICA
- TECNOLOGIA DE LA AUTOMATIZACION
Fichero de tesis:

http://hdl.handle.net/10045/72265

Marcador: https://www.educacion.gob.es/teseo/mostrarRef.do?ref=1432659Añadir a favoritos.
Resumen:
*** Introducción En la última década, los métodos, algoritmos y sistemas de percepción basados en información 3D han experimentado un importante auge revolucionando el desarrollo de aplicaciones robóticas, tales como la navegación, guiado y localización de robots o como la detección y reconocimiento de objetos para la interacción de un robot con su entorno en tareas de agarre y manipulado inteligente. Este avance ha estado impulsado, principalmente, por dos factores: la aparición de nuevos sensores capaces de generar información 3D en tiempo real a un bajo coste, y el crecimiento (tanto en capacidad computacional como espacial) que ha sufrido el hardware destinado al procesado de este tipo de información (GPUs, o simples CPUs de ordenadores personales). Como consecuencia, en estos últimos años se ha percibido un salto cualitativo de los métodos y técnicas para llevar a cabo estas tareas haciendo uso de datos 3D. Estas mejoras están presentes en una gran variedad de algoritmos y métodos, tales como la extracción de características, segmentación, reconstrucción de modelos 3D de objetos y escenas (en tiempo real), descripción de superficies, incluyendo además la aparición de nuevas técnicas de clasificación. También, cabe hacer especial mención, a aquellos métodos y sistemas de percepción que no están enfocados en aplicaciones puramente robóticas: la detección de esqueletos humanos o el reconocimiento de manos para conseguir interfaces entre hombre y computador (o robot) más amigables, o conseguir mejores sistemas de vigilancia y supervisión; o la reconstrucción virtual del patrimonio cultural; o generar aplicaciones de realidad aumentada. En cualquier caso, un sistema de visión 3D sea cual fuera la finalidad para la que se desea, requiere de la utilización de uno o más sensores (no necesariamente 3D) así como de un sistema de procesamiento de información capaz de generar un mapa (imagen) de profundidad a partir del cual se obtiene la información necesaria para reconocer un objeto, realizar una reconstrucción o guiar un robot; en definitiva, dotar de cierta semántica la información de entrada. Sin embargo, esta tesis doctoral no pretende abarcar todos los ámbitos de la visión 3D, ni tampoco todos aquellos que están orientados a la automatización de tareas robóticas, sino más bien una reducida parte de ellos. En concreto, las aportaciones que en esta tesis se presentan tienen como finalidad, dar solución parcial a dos problemas: la detección y reconocimiento de objetos y la supervisión de las deformaciones que sufren algunos de ellos, durante su agarre y manipulación por un robot en entornos semi-estructurados. Desde la aparición de los primeros sistemas de reconocimiento de objetos 3D, el principal objetivo radica en detectar los tipos de objeto en la escena, es decir reconocerlos en base a extraer características y compararlas con otras previamente registradas y etiquetadas; así como recuperar su pose, es decir su orientación y posición en el escenario en el que se encuentra, generalmente apoyados en una mesa de trabajo o similar. En cualquier caso, el principal problema subyace en que la información proporcionada por los métodos de descripción de superficies viene delimitada por los puntos de vista del sensor, que pueden estar sometidos a las oclusiones producidas por la propia geometría del objeto o por otros objetos presentes en la misma escena. También, es importante mencionar que otro de los problemas en los que los sistemas de reconocimiento han hecho especial hincapié es en la búsqueda de características invariantes que no dependan de la posición y orientación del objeto, del escalado y ruido. Además, en sistemas de reconocimiento enfocados a tareas robóticas, es una prioridad conseguir un sistema capaz de funcionar en tiempo real. Recientemente, la comunidad científica ha comenzado a centrar sus esfuerzos en la detección y reconocimiento de objetos deformables utilizando información 3D. Los métodos para la detección y reconocimiento de objetos deformables se pueden agrupar en tres clases: la detección de objetos elásticos (aquellos que recuperan su forma una vez han dejado de ser manipulados), objetos flexibles (no tienen porque recuperar su forma una vez cesa su manipulación) y objetos articulados. En todos los casos, la mayoría de métodos tratan el problema buscando describir el objeto de forma invariante a dichas transformaciones, por lo que con un modelo inicial de cierta clase de objeto se puede reconocer el objeto independientemente de su posición, orientación, escalado o transformación de la forma de la superficie. Sin embargo, esta aproximación no es interesante para el desarrollo de esta tesis, ya que uno de los hitos que se pretende resolver es detectar si el objeto manipulado está cambiando de forma su superficie, por lo que los métodos deben de ser reactivos a los cambios sufridos en la superficie. Afrontando de esta manera el problema, se pueden generar métodos de percepción visual capaces de funcionar cooperativamente como elementos de supervisión de los sistemas de control del robot. Además, con esta tesis doctoral se ha querido plantear una metodología destinada a la implementación de un sistema de reconocimiento de objetos sobre un sistema robótico real, además de un sistema de percepción visual enfocado a la detección de eventos para la supervisión de las deformación de ciertos objetos durante su manipulado robótico. *** Desarrollo teórico Siguiendo con los objetivos que se plantean en el marco de la tesis, expuestos en la sección anterior, se pueden concretar las siguientes aportaciones en el contexto de esta tesis. Todas ellas están relacionadas con técnicas, métodos y procesos dedicados a sistemas de percepción visual en tareas de manipulación robótica. “Evaluación de métodos para la descripción 3D” Cualquier sistema de manipulación robótica inteligente que trabaje en entornos semi-estructurados requiere de sistemas de percepción visual para conocer el entorno en el que realiza las tareas y dotar al sistema de mayor adaptabilidad. Se entiende por entorno semi-estructurado aquel del que se conoce sólo parte de la estructura del mismo. Por ejemplo, una planta de empaquetado se considera semi-estructurada si sólo se sabe de ella que tiene una mesa donde se encuentran los objetos a empaquetar y éstos están de cualquier forma distribuidos sobre ella y además, se desconoce la cantidades de objetos, así como la tipología o clase de dichos objetos. En este escenario, el sistema de percepción visual debe ser capaz de clasificar y reconocer los objetos a manipular e identificar la pose de éstos, para que los planificadores de trayectorias puedan alcanzarlos y los algoritmos de configuración de agarre puedan determinar la mejor pose de los dedos del manipulador. Entonces, la primera aportación que se realiza en esta tesis es una profunda evaluación y análisis de los principales métodos existentes en la literatura orientados a la descripción de características de formas y geometría de objetos 3D, con aras de realizar clasificados y recuperación de poses de éstos. El análisis se realiza tanto a nivel teórico, como a nivel experimental evaluando rendimientos (tiempo y espacio) y precisiones (se utilizan distintos tipos de métricas estadísticas). Además, en esta evaluación se ha eliminado cualquier tipo de información no geométrica (como color o textura), para que las conclusiones que se extraigan puedan ser aplicadas al reconocimiento de objetos y piezas industriales que carecen en algunos casos de este tipo de información por estar fabricados del mismo material y no tener aun terminación final de producto. Esta aportación se aborda en los capítulos 3 y 4, fruto del trabajo realizado se presentaron los artículos [MMGT13, MGT14a, GMP+16]. “Propuesta de método para la descripción 3D global” Como consecuencia de las observaciones que se realizan en la aportación anterior se ha desarrollado un nuevo método para la descripción de características basado en las variaciones de las superficies de los objetos (topología) que supone otra de las aportaciones de esta tesis. Este nuevo método es la extensión natural del descriptor Signature of Histogram of OrienTations (SHOT) al dominio de los descriptores globales. Con este nuevo descriptor se consigue mejorar los ratios de precisión de los actuales descriptores globales, a la vez que se consiguen tiempos de cálculo de la descripción de la superficie similares al resto de descriptores 3D globales. La evaluación de este método se ha realizado utilizando varias bases de datos de objetos, tanto propias como públicas, con el fin de conseguir resultados comparables a los existentes en la literatura. Esta aportación se aborda en el capítulo 4, y fruto del trabajo realizado se presento el artículo [MGT17]. “Implementación en un brazo robot manipulador” Utilizando el descriptor implementado en la aportación anterior, así como todos los evaluados (en la primera de las aportaciones), se presenta una aplicación de agarre de objetos utilizando un brazo robot dentro de un entorno industrial simulado. Esta aplicación utiliza un brazo robótico Mitsubishi PA10 equipado con una mano robot antropomórfica de la compañía Allegro y un sensor RGBD (Kinect Xbox 360 de Microsoft) en el extremo del mismo. El proceso de reconocimiento que se implementa como aportación en esta aplicación está basado en operaciones de reconocimiento de objetos sobre planos principales (mesas). Además cabe destacar que la implementación de esta aplicación ha sido realizada utilizando el conjunto de herramientas que proporciona Robot Operative System (ROS) y la librería de C/C++ de operación sobre nubes de puntos PointCloud Library (PCL). Como aportación colateral a ésta, se propone una metodología para la validación de los resultados en la que se utiliza una impresora 3D, de esta manera se pueden imprimir los objetos modelo utilizados durante la fase de aprendizaje del proceso. Esta aportación se puede ver como un cambio en el proceso de creación de test para la evaluación, en donde el conjunto de datos no es creado a partir del escaneado de un objeto real a un modelo virtual (lo cual introduce cierto nivel de ruido), sino que el conjunto de datos para el evaluación (o aprendizaje) se crea virtualmente con cualquier programa CAD y después se imprimen para evaluar como funciona en el entorno real. Los resultados obtenidos de esta aportación han sido publicados en [MGT14b, MGT14c, MGT16c, ZIMGP17] y son tratados en el capítulo 4. “Supervisión del objeto manipulado utilizando visión 3D” Finalmente, la última de las aportaciones de esta tesis se centra en la fase de manipulación, una vez el objeto ha sido reconocido y la herramienta de manipulación (p.e. una mano robot de la compañía Shadow) está llevando a cabo una tarea de agarre, esto es, el brazo robot ya ha realizado la trayectoria de aproximación y los dedos de la mano están situados en posición de agarre (apertura). Esta aportación consta de dos métodos. Por un lado, se propone el desarrollo de un método para la supervisión del proceso de manipulado, es decir, controlar que el objeto sigue dentro del área de agarre (o de trabajo) de la mano y los dedos siguen en contacto con la superficie del objeto. Por otro lado, y más importante, debido a que actualmente la comunidad científica está trabajando en resolver este problema, se propone como aportación el desarrollo de un método para la supervisión de la deformación de la superficie del objeto con el fin de proporcionar información al controlador de los dedos y que éste tenga suficiente información (y de calidad) para poder reconfigurar o parar la tarea de manipulación (si fuese necesario) para poder prevenir roturas o desperfectos sobre el objeto manipulado. El análisis de la superficie se realiza aplicando técnicas de procesado de señal y máquinas de estados que analizan el comportamiento de la superficie durante el tiempo. Este método se emplea para proporcionar información adicional a un controlador táctil. Los método y resultados son detallados en profundidad en el capítulo 5, además de estar publicados en los trabajos [MGMT15, MGT15, MGT16a, MGT16b, GMDT16]. Estas aportaciones son tratadas a lo largo de toda la tesis, siendo los capítulos 4 y 5 los que mayor relevancia tienen dentro de ésta. El capítulo 3 destaca debido a que sienta las bases teóricas para realizar los estudios y desarrollos posteriores. De tal forma que, en el capítulo 3 se trata el estudio teórico de los actuales métodos para la descripción de características, haciendo referencia a la aportación “Evaluación de métodos para la descripción 3D”. Por otro lado, la parte del análisis experimental de estos métodos que también hace referencia a esta aportación está detallada en el capítulo 4. Además, en este capítulo se tratan la aportaciones “Propuesta de método para la descripción 3D global” e “Implementación en un brazo robot manipulador”. Finalmente en el capítulo 5 son desarrollados los métodos y experimentos relacionados con la “Supervisión del objeto manipulado utilizando visión 3D”. *** Conclusiones Inicialmente, se ha realizado un estudio (ver Capítulo 3) de los principales métodos para la descripción de superficies 3D. En concreto, se ha optado por estudiar aquellos métodos que realizan la descripción utilizando información de la variación de la superficie. Estos descriptores han sido agrupados en dos grandes familias, por un lado, aquellos que describen la superficie utilizando información local a ciertos puntos de interés (descriptores locales), por otro lado aquellos que describen la superficie utilizando la información global (descriptores globales). A diferencia de los locales, los globales describen la nube de puntos como si de una unidad se tratase. En ambos casos se ha hecho el estudio del coste computacional teórico que conllevan, dimensionalidad, grados de libertad que proporcionan, si son o no dependientes al ruido o densidad de puntos y finalmente, si representan de forma única las características. Además, se ha estudiado qué estructura de soporte emplea cada uno de ellos para representar las características (por ejemplo SHOT utiliza una esfera y PFH utiliza el marco de Darboux). Dentro de los descriptores locales se han estudiado los descriptores: PFH, FPFH, 3DSC, HSC, USC, SHOT, SI y RSD. En este grupo el que mejores propiedades presenta es el descriptor SHOT ya que se presenta invariante a la densidad de puntos y al ruido. Tiene 6 grados de libertad y representa de forma única los objetos, por lo que con una sola instancia de una clase de objeto se puede reconocer este objeto cuando se encuentra en la escena trasladado, rotado, escalado o incluso con una densidad de puntos distinta. Este último aspecto es importante, ya que cuando se implementa un sistema en tiempo real siempre es preferible degradar la nube de puntos para conseguir mayor velocidad de procesado. Dentro de los descriptores globales se han estudiado los descriptores: VFH, CVFH, OURCVFH, ESF y GRSD. Se observa que en su mayoría, a excepción de OURCVFH, ninguno proporciona los 6 grados de libertad que permiten adquirir adecuadamente la pose de un objeto. Tras realizar el análisis del comportamiento teórico se ha realizado un estudio analítico del rendimiento y precisión que se obtienen con los descriptores de características 3D (capítulo 4, secciones 4.1, 4.2 y 4.3) .Los resultados comentados han dado lugar a las siguientes publicaciones: [GMT14] “3D visual sensing of the human hand for the remote operation of a robotic hand”. P Gil, CM Mateo, F Torres. International Journal of Advanced Robotic Systems. Ed. SAGE Publications vol.11(2), pp. 1-26. 2014 [MGC+12] “RGBD human-hand recognition for the interaction with robot-hand”. CM Mateo, P Gil, JA Corrales, ST Puente, F Torres IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2012. [MGT14a] “A performance evaluation of surface normals-based descriptors for recognition of objects using CAD-models”. CM Mateo, P Gil, F Torres. 11th International Conference on Informatics in Control, Automation and Robotics (ICINCO). Vol. 2, pp. 428-435. ISBN: 972-8865-40-6. Vienna (Austria). 2014. [MGPT12] “Reconocimiento de manos con sensor RGB–D”. CM Mateo, P Gil, ST Puente, F Torres. Actas de las XXXIII Jornadas de Automatica. 2012. [MMGT13] “Análisis del descriptor VFH para el reconocimiento 3D de multiples vistas de objetos domésticos”. F. Martínez, CM Mateo, P Gil, F Torres. Actas de las XXXIV Jornadas de Automatica. 2013. [GMP+16] “Reconocimiento de Objetos 3D con Descriptores de Superficie”. P Gil, CM Mateo, J Pomares, G García, F Torres. Conceptos y Métodos en Visión por Computador (CEA) 2016 Como se observa, en los resultados presentados en las publicaciones anteriormente listadas, los mejores resultados se obtienen cuando los descriptores son utilizados sobre nubes completas. Como se ha comentado en capítulos anteriores de esta tesis, esto es debido a la ambigüedad de vista que pueden presentar los objetos analizados. A partir de los resultados obtenidos experimentalmente se comprueba la gran ventaja que ofrecen, en estos casos, los descriptores globales frente a los locales con respecto al coste computacional. Es posible observar, el caso extremo de SHOT que llega a necesitar hasta 4 segundos para analizar nubes con 6 mil puntos (típicamente, un objeto con un volumen aproximado de 4x4x10cm situado a 1m del sensor RGBD suele estar representado por unos 2 mil puntos). Este tiempo es muy elevado comparado con descriptores globales. Por el contrario, y a pesar de su coste, SHOT obtiene las mejores tasas de reconocimiento y clasificación frente a otros descriptores, tanto globales como locales; tal y como se ha mostrado en los experimentos llevados a cabo en esta tesis. A consecuencia de esto, y como finalidad de esta tesis se propuso la extensión de este descriptor al dominio de descriptores globales. Los resultados que se han obtenido han sido publicados en: [MGT17] “GSHOT: a Global Descriptor from SHOT to Reduce Time and Space Requirements”. CM Mateo, P Gil, F Torres. Eurographics Workshop on 3D Object Retrieval (3DOR’17). pp. 59-62. Lyon(Francia). 2017 Los resultados presentados en esta publicación (y en los capítulos correspondientes de esta tesis) demuestran que la implementación de sistemas de percepción 3D para tareas robóticas de manipulación en tiempo real puede ser eficientemente resuelta utilizando el descriptor de características anteriormente propuesto. En las secciones restantes del capítulo 4 se presenta una propuesta de sistema visual inteligente para la localización de objetos en un entorno de trabajo. Como se ha comentado en dicha sección, la implementación del sistema de reconocimiento propuesto explota las ventajas que proporcionan ROS para el desarrollo de aplicaciones robóticas. Los componentes hardware empleados son un robot manipulador PA10, un sensor RGBD Kinect y tres ordenadores interconectados en una red LAN TCP/IP. Es de destacar, que el sistema de reconocimiento visual propuesto para la detección y recuperación de pose de objetos se ha diseñado e implementado dividiendo en dos canales de procesamiento, el flujo de datos de entrada. De este modo, cada uno de ellos trabaja sobre un tamaño de entrada distinto, nube de puntos de la misma escena pero con distinta densidad, de tal forma que se consigue acelerar etapas como la extracción de planos principales y el cálculo de los vectores normales con sus respectivos valores de curvatura para cada punto de la nube. Además, este modo de trabajo permite realizar un proceso más fino (lento) en etapas como el cálculo del descriptor de características para cada objeto cuando sea más importante la precisión que la velocidad del reconocimiento. Los resultados muestran tasas de error en posición y orientación bajas, además de unas excelentes tasas de acierto, cercanas al 90% en ciertas situaciones. Los trabajos llevados a cabo en el marco de este capítulo de tesis, han dado lugar a las siguientes publicaciones científicas: [MGT16c] “Visual perception for the 3D recognition of geometric pieces in robotic manipulation”. CM Mateo, P Gil, F Torres. The International Journal of Advanced Manufacturing Technology. Ed. Springer London. vol 83(9-12). 2015 [MGT14b] “Geometric Object Recognition in Range Image for Grasping”. CM Mateo, P Gil, F Torres. International Computer Vision Summer School (ICVSS 2014): From Fundamentals to Application 2014 [MGT14c] “Localización de objetos 3D con ambigüedad de vistas en tareas de guiado robótico”. CM Mateo, P Gil, F Torres. Actas de XXXV Jornadas de Automática 2014 [ZIMGP17] “Using Geometry to Detect Grasping Points on 3D Unknown Point Cloud”. BS Zapata-Impata, CM Mateo, P Gil, J Pomares. 14th International Conference on Informatics in Control, Automation and Robotics (ICINCO). 2017 (Aceptado y pendiente de publicación). Como se ha planteado en el capítulo 1, uno de los pilares fundamentales de esta tesis es la supervisión de objetos durante su manipulado, utilizando información visual 3D. Para ello, en el capítulo 5 se han implementado dos métodos. Por un lado, el primero de ellos se emplea para el análisis y supervisión visual de la interacción entre el objeto que se está manipulando y la mano robótica que se emplea para llevar a cabo dicha manipulación; utilizando el producto de la intersección entre el volumen descrito por la mano (estimada a partir de su cinemática) y el volumen de la región de puntos que definen el objeto (estimado a partir de estrategias de procesamiento 3D) para interpretar la interacción entre ambos actores. Por otro lado, el segundo método supervisa la tarea de manipulación determinando cómo afectan las fuerzas aplicadas a la superficie del objeto, es decir, detecta o no si se produce deformación del objeto y estima el nivel o grado de ésta en el tiempo. Para llevar a cabo esta tarea, y siguiendo en la línea de esta tesis, se ha propuesto cómo mecanismo para medir la variabilidad de la deformación, el análisis de la evolución de la curvatura de la nube de puntos que representa el objeto manipulado. Para conseguir esto, se ha comprobado que codificar el mapa de curvaturas como una señal unidimensional aplicando el algoritmo de modulación ¢ para convertirlo en una señal de pulsos, es una estrategia satisfactoria, ya que se consigue por una parte comprimir la información de entrada, haciendo que el método realice los cálculos más rápido, y por otra parte hace al método robusto ante valores atípicos. Utilizando este par de métodos se ha implementado un sistema integral orientado a la supervisión visual del objeto durante la tarea de manipulación. Este sistema, como se ha mostrado en el capítulo 5 pude ser utilizado en diversos entornos. De esta forma, la herramienta robótica de agarre y manipulado (p.e. en este caso una mano robótica Shadow) no necesariamente debe de estar montada en el extremo de un robot manipulador (p.e. en esta tesis un PA-10) para conocer localización y, por ende, su cinemática exacta con respecto a la pose del sensor, también, es posible utilizar la herramienta robótica sin el soporte del robot manipulador. Para ello, se emplean una serie de marcadores que situados en el antebrazo de la mano Shadow, permiten determinar la localización de las falanges de la mano y de su muñeca con respecto al sensor visual empleado en el proceso de supervisión. De esta manera, se consigue fusionar la información relativa a la cinemática con las nubes de puntos que representan el entorno de trabajo (p.e. puntos del objeto, puntos de la mano robótica). Además, este sistema ha demostrado en los experimentos presentados tanto en el capítulo 5 como en las publicaciones derivadas, que se consiguen buenos resultados en términos de reconocimiento y clasificación. Cabe destacar, que este sistema es difícil de comparar con otros, ya que el punto de vista con el cual se aborda este problema es bastante innovador y actualmente no existen trabajos similares en la literatura (los que hay son de difícil replicabilidad). Los resultados de la aplicación y ambos métodos han dado lugar a las siguientes publicaciones: [MGT16a] “3D Visual Data-Driven Spatiotemporal Deformations for Non-Rigid Object Grasping Using Robot Hands”. CM Mateo, P Gil, F Torres. Sensors. Ed Multidisciplinary Digital Publishing Institute. vol. 16(5), pp. 640. 2016. [MGMT15] “Analysis of shapes to measure surfaces: An approach for detection of deformations”. CM Mateo, P Gil, F Torres. 12th International Conference on Informatics in Control, Automation and Robotics (ICINCO). Vol. 30. Num. 5. pp. 60-65. 2015 (Nominado mejor artículo de estudiante). [MGT16b] “Computation of Curvature Skeleton to Measure Deformations in Surfaces”. CM Mateo, P Gil, F Torres. Informatics in Lecture Notes in Electrical Engineering book series (LNEE, volume 383), pp. 197-207. 2016. [MGT15] “Detección de deformaciones 3D calculando esqueletos de curvaturas”. CM Mateo, P Gil, F Torres. Actas de XXXVI Jornadas de Automática. pp 66-72. 2015 [GMDT16] “Visual / Tactile sensing to monitor grasps with robot-hand for planar elastic objects deformations”. P Gil, CM Mateo, A Delgado, F Torres. 47st International Symposium on Robotics. pp 439-445. 2016 Para concluir, destacar que esta tesis se ha desarrollado con una doble finalidad. Por un lado, realizar un estudio de los principales métodos para la descripción geométrica 3D de superficies para reconocer objetos dentro de nubes de puntos adquiridas con sensores RGBD, además de estudiar y analizar las etapas más apropiadas para obtener y procesar información visual 3D que pueda ser utilizada en aplicaciones robóticas de manipulación. De esta forma, poder plantear un método de descripción y por ende implementar un proceso de reconocimiento más efectivo que los existentes en la literatura. Por otro lado, proponer un sistema de supervisión visual de un objeto mientras está siendo manipulado. Finalmente, en el contexto de esta tesis doctoral, también se desea resaltar otros trabajos publicados que sin ser la base fundamental de esta tesis, han proporcionado una base teórico-práctica que ha permitido poder desarrollar y llevar a cabo ciertas partes de los métodos y aproximaciones propuestas y presentadas en esta tesis. [GGMT14] “Active visual features based on events to guide robot manipulators in tracking tasks”. P Gil, GJ García, CM Mateo, F Torres. 19th World Congress of the International Federation of Automatic Control vol. 47 (3), pp. 11890-11897. 2014. [DJTM16] “Control of Robot Fingers with Adaptable Tactile Servoing to Manipulate Deformable Objects”. Á Delgado, CA Jara, F Torres, CM Mateo. Robot 2015: Second Iberian Robotics Conference, pp. 81-92. 2016. [MDM+15] “Study of dexterous robotic grasping for deformable objects manipulation”. D Mira, A Delgado, CM Mateo, ST Puente, FA Candelas, F Torres. 23th Mediterranean Conference on Control and Automation (MED) , pp. 262-266. 2015. *** Bibliografía [ABG+11] Aitor Aldoma, Nico Blodow, David Gossow, Suat Gedikli, Radu Bogdan Rusu, Markus Vincze, and Gary Bradski. CAD-model recognition and 6 DOF pose estimation using 3D cues. In Proc. ICCV Workshop on 3D Representation and Recognition (3DRR) , pages 585–592, 2011. [ABS17] Umar Asif, Mohammed Bennamoun, and Ferdous A Sohel. RGB-D Object Recognition and Grasp Detection Using Hierarchical Cascaded Forests. IEEE TRANSACTIONS ON ROBOTICS , pages 1–18, 2017. [AFT14] G. Alenyà, S. Foix, and C. Torras. Using ToF and RGBD cameras for 3D robot perception and manipulation in human environments. Intelligent Service Robotics , 7(4):211–220, 2014. [Ale12] L. Alexandre. 3D descriptors for object and category recognition: a comparative evaluation. In Workshop on Color-Depth Camera Fusion in Robotics at the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vilamoura, Portugal , volume 1, page 7, 2012. [AMN+94] Sunil Arya, David M Mount, Nathan S Netanyahu, Ruth Silverman, and Angela Y Wu. An optimal algorithm for approximate nearest neighbor searching in fixed dimensions. Journal of the ACM (JACM) , 45(6):891–923, 1994. [AMT+12] Aitor Aldoma, Zoltan Csaba Marton, Federico Tombari, Walter Wohlkinger, Christian Potthast, Bernhard Zeisl, Radu Rusu, Suat Gedikli, and Markus Vincze. Tutorial: Point cloud library: Three-dimensional object recognition and 6 DOF pose estimation. IEEE Robotics and Automation Magazine , 19(3):80–91, 2012. [Ary93] Sunil Arya. Algorithms for fast vector quantization. In Data Compression Conference, 1993. , pages 381–390, 1993. [AS14] Nicolas Alt and Eckehard Steinbach. Navigation and manipulation planning using a visuo-haptic sensor on a mobile platform. IEEE Transactions on Instrumentation and Measurement , 63(11):2570–2582, 2014. [ATRV12] Aitor Aldoma, Federico Tombari, Radu Bogdan Rusu, and Markus Vincze. OUR-CVFH - Oriented, unique and repeatable clustered viewpoint feature histogram for object recognition and 6DOF pose estimation. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) , volume 7476 LNCS, pages 113–122, 2012. [AU07] Erdem Akagündüz and Ilkay Ulusoy. 3D object representation using transform and scale invariant 3D features. In Proceedings of the IEEE International Conference on Computer Vision , pages 1–8. IEEE, 2007. [BA10] N. Bayramoglu and A.a. Alatan. Shape Index SIFT: Range Image Recognition Using Local Features. Pattern Recognition (ICPR), 2010 20th International Conference on , (September):1–5, aug 2010. [BC14] Pasu Boonvisut and M. Cenk Cavusoglu. Identification and active exploration of deformable object boundary constraints through robotic manipulation. The International Journal of Robotics Research , 33(11):1446–1461, 2014. [BCF06] Kevin W. Bowyer, Kyong Chang, and Patrick Flynn. A survey of approaches and challenges in 3D and multi-modal 3D + 2D face recognition, jan 2006. [BCL07] Marco Bibuli, Massimo Caccia, and Lionel Lapierre. Path-following algorithms and experiments for an autonomous surface vehicle. IFAC Proceedings Volumes (IFAC-PapersOnline) , 7(PART 1):81–86, 2007. [Ber13] Dmitry Berenson. Manipulation of deformable objects without modeling and simulating deformation. IEEE International Conference on Intelligent Robots and Systems , pages 4525–4532, 2013. [Bes85] Paul J. Besl. Three-dimensional object recognition, mar 1985. [BH95] Gilles Burel and Hugues Henocq. Three-dimensional invariants and their application to object recognition. Signal Processing , 45(1):1–22, 1995. [BL04] Kwang-Ho Bae and Derek D Lichti. Automated registration of unorganised point clouds from terrestrial laser scanners. Curtin University of Technology , 35:222–227, 2004. [BM92] Paul Besl and Neil McKay. A Method for Registration of 3-D Shapes, 1992. [BMAK14] Jeannette Bohg, Aythami Morales, Tamim Asfour, and Danica Kragic. Datadriven grasp synthesis—a survey. IEEE Transactions on Robotics , 30(2):289–309, 2014. [BMP02] Serge Belongie, Jitendra Malik, and Jan Puzicha. Shape matching and object recognition using shape contexts. IEEE Transactions on Pattern Analysis and Machine Intelligence , 24(4):509–522, 2002. [BNSN12] Prabin Bariya, John Novatnack, Gabriel Schwartz, and Ko Nishino. 3D Geometric Scale Variability in Range Images: Features and Descriptors. International Journal of Computer Vision , 99(2):232–255, sep 2012. [BPBR15] Yerai Berenguer, Luis Payá, Mónica Ballesta, and Oscar Reinoso. Position Estimation and Local Mapping Using Omnidirectional Images and Global Appearance Descriptors. Sensors , 15(10):26368–26395, oct 2015. [BPLT15] Blaž Brataniˇc, Franjo Pernuš, Boštjan Likar, and Dejan Tomaževiˇc. Real-time pose estimation of rigid objects in heavily cluttered environments. Computer Vision and Image Understanding , 141:38–51, 2015. [Bre01] Leo Breiman. Random forests. Machine Learning , 45(1):5–32, 2001. [BSAL13] Joao Bimbo, Lakmal D. Seneviratne, Kaspar Althoefer, and Hongbin Liu. Combining touch and vision for the estimation of an object’s pose during manipulation. IEEE International Conference on Intelligent Robots and Systems , pages 4021–4026, 2013. [BSP15] William J. Beksi, John Spruth, and Nikolaos Papanikolopoulos. CORE: A Cloudbased Object Recognition Engine for robotics. IEEE International Conference on Intelligent Robots and Systems , 2015-Decem:4512–4517, 2015. [BTV06] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool. SURF: Speeded up robust features. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) , volume 3951 LNCS, pages 404–417. Springer, Berlin, Heidelberg, 2006. [CB07a] Hui Chen and Bir Bhanu. 3D free-form object recognition in range images using local surface patches. Pattern Recognition Letters , 28(10):1252–1262, jul 2007. [CB07b] Hui Chen and Bir Bhanu. Human ear recognition in 3D. IEEE Transactions on Pattern Analysis and Machine Intelligence , 29(4):718–737, apr 2007. [CBC+01] J C Carr, R K Beatson, J B Cherrie, T J Mitchell, W R Fright, B C McCallum, and T R Evans. Reconstruction and representation of 3D objects with radial basis functions. ACM SIGGRAPH 2001, Los Angeles, CA , pages 67–76, 2001. [CCFM08] U. Castellani, M. Cristani, S. Fantoni, and V. Murino. Sparse points matching by combining 3D mesh saliency with statistical descriptors. In Computer Graphics Forum , volume 27, pages 643–652, apr 2008. [CFW09] Xiujuan Chai, Yikai Fang, and Kongqiao Wang. Robust hand gesture analysis and application in gallery browsing. In Proceedings - 2009 IEEE International Conference on Multimedia and Expo, ICME 2009 , pages 938–941. IEEE, jun 2009. [CH06] Fran, ois Chaumette and Setrh Hutchinson. Visual servo control. I. Basic approaches. IEEE Robotics and Automation Magazine , 13(4):82–90, dec 2006. [Chi16] Sachin Chitta. Moveit!: An introduction. Studies in Computational Intelligence , 625:3–27, 2016. [CJ97] Chin Seng Chua and Ray Jarvis. Point Signatures: A New Representation for 3D Object Recognition. International Journal of Computer Vision , 25(1):63–85, 1997. [CPM13] Juan Antonio Corrales Ramon, Veronique Perdereau, and Fernando Torres Medina. Multi-fingered robotic hand planner for object reconfiguration through a rolling contact evolution model. Proceedings - IEEE International Conference on Robotics and Automation , pages 625–630, 2013. [CPV11] David J. Cappelleri, Gianluca Piazza, and Vijay Kumar. A two dimensional vision-based force sensor for microrobotic applications. Sensors and Actuators, A: Physical , 171(2):340–351, 2011. [CSPB11] Sachin Chitta, Jrgen Sturm, Matthew Piccoli, and Wolfram Burgard. Tactile sensing for mobile manipulation. IEEE Transactions on Robotics , 27(3):558–568, 2011. [CTP13] Juan Antonio Corrales, Fernando Torres, and Véronique Perdereau. Finger readjustment algorithm for object manipulation based on tactile information. International Journal of Advanced Robotic Systems , 10, 2013. [CV95] Corinna Cortes and Vladimir Vapnik. Support-Vector Networks. Machine Learning , 20(3):273–297, 1995. [CWSS15] Berk Calli, AaronWallsman, Arjun Singfh, and Siddhartha S. Srinivasa. Benchmarking in Manipulation Research. IEEE Robotics and Automation Magazine, pages 36–52, 2015. [DG85] Luc Devroye and Laszlo Györfi. Nonparametric density estimation: the L1 view . John Wiley & Sons Incorporated, 1985. [DJT17] A. Delgado, C.A. Jara, and F. Torres. In-hand recognition and manipulation of elastic objects using a servo-tactile control strategy. Robotics and Computer-Integrated Manufacturing , 48:102–112, 2017. [DJTM16] Ángel Delgado, Carlos A. Jara, Fernando Torres, and Carlos M. Mateo. Control of robot fingers with adaptable tactile servoing to manipulate deformable objects. Advances in Intelligent Systems and Computing , 417:81–92, 2016. [DK12] Tal Darom and Yosi Keller. Scale-invariant features for 3-D mesh models. IEEE Transactions on Image Processing , 21(5):2758–2769, may 2012. [DOVC13] Erickson R. Do Nascimento, Gabriel L. Oliveira, Antônio W. Vieira, and Mario F M Campos. On the development of a robust, fast and lightweight keypoint descriptor. Neurocomputing , 120:141–155, nov 2013. [DTJ16] Zhuo Deng, Sinisa Todorovic, and Longin Jan Latecki. Unsupervised object region proposals for RGB-D indoor scenes. Computer Vision and Image Understanding , 154:127–136, 2016. [EEH+11] N. Engelhard, F. Endres, J. Hess, J. Sturm, and W. Burgard. Real-time 3D visual SLAM with a hand-held RGB-D camera. In Proc. of the RGB-D Workshop on 3D Perception in Robotics at the European Robotics Forum, 2011 , (c), 2011. [ET15] Ahmed Elhayek and Jonathan Tompson. Efficient ConvNet-based Marker-less Motion Capture in General Scenes with a Low Number of Cameras. pages 3810–3818, 2015. [FCRM16] Marcos Ferreira, Paulo Costa, Luís Rocha, and A. Paulo Moreira. Stereo-based real-time 6-DoF work tool tracking for robot programming by demonstration. International Journal of Advanced Manufacturing Technology , 85(1-4):57–69, 2016. [FDV07] Alex Flint, Anthony Dick, and Anton Van Den Hengel. Thrift: Local 3D structure recognition. In Proceedings - Digital Image Computing Techniques and Applications: 9th Biennial Conference of the Australian Pattern Recognition Society, DICTA 2007 , pages 182–188. IEEE, dec 2007. [FHK+04] Andrea Frome, Daniel Huber, Ravi Kolluri, Thomas Bülow, and Jitendra Malik. Recognizing Objects in Range Data Using Regional Point Descriptors. In 8th European Conference on Computer Vision , volume 3023, pages 224–237, 2004. [Fis22] Ronald Aylmer Fisher. On the Interpretation of x2 from Contingency Tables, and the Calculation of P. Journal of the Royal Statistical Society , 85(1):87–94, jan 1922. [FN14] Pietro Falco and Ciro Natale. Low-level flexible planning for mobile manipulators: a distributed perception approach. Advanced Robotics , 28(21):1431–1444, nov 2014. [Fox02] Dieter Fox. KLD-sampling: Adaptive particle filters. Advances in Neural Information Processing Systems 14 , 14(1):713–720, 2002. [Fox03] Dieter Fox. Adapting the sample size in particle filters through KLD Sampling. Intl Jour of Robotics Research , 22(12):985–1004, 2003. [GBS+14a] Yulan Guo, Mohammed Bennamoun, Ferdous Sohel, Min Lu, and Jianwei Wan. 3D object recognition in cluttered scenes with local surface features: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence , 36(11):2270–2287, nov 2014. [GBS+15] Yulan Guo, Mohammed Bennamoun, Ferdous Sohel, Min Lu, and Jianwei Wan. An integrated framework for 3-D modeling, object detection, and pose estimation from point-clouds. IEEE Transactions on Instrumentation and Measurement , 64(3):683–693, 2015. [GCO06] Ran Gal and Daniel Cohen-Or. Salient geometric features for partial shape matching and similarity. ACM Transactions on Graphics , 25(1):130–150, jan 2006. [GDZH12] Wei Guo, Tangwu Du, Xinyan Zhu, and Tao Hu. Kinect-Based Real-Time Rgb-D Image Fusion Method. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences , XXXIX-B3(September):275–279, 2012. [GGMT14] Pablo Gil, Gabriel J. García, Carlos M. Mateo, and Fernando Torres. Active visual features based on events to guide robots. In IFAC Proceedings Volumes , volume 47, pages 11890–11897, 2014. [Gib08] Danny Gibbins. Multi-scale feature extraction for 3d surface registration using local shape variation. 2008 23rd International Conference Image and Vision Computing New Zealand , pages 1–6, nov 2008. [GJMSMCMJ14] S Garrido-Jurado, R Muñoz-Salinas, F J Madrid-Cuevas, and M J Marín- Jiménez. Automatic generation and detection of highly reliable fiducial markers under occlusion. Pattern Recognition , 47(6):2280–2292, 2014. [Glo09] Przemyslaw Glomb. Detection of Interest Points on 3D Data: Extending the Harris Operator. Computer Recognition Systems 3 SE - 13 , 57:103–111, 2009. [GMDT16] Pablo Gil, Carlos M. Mateo, Ángel Delgado, and Fernando Torres. Visual / Tactile sensing to monitor grasps with robot-hand for planar elastic objects deformations. In ISR 2016: 47st International Symposium on Robotics; Proceedings of , volume 2016, pages 439–445, 2016. [GMGP05] Natasha Gelfand, Niloy J Mitra, Leonidas J Guibas, and Helmut Pottmann. Robust global registration. In Symposium on geometry processing , volume 2(3), page 5, 2005. [GMP+16] Pablo Gil, Carlos M. Mateo, Jorge Pomares, Gabriel J. García, and Fernando Torres. Reconocimiento de Objetos 3D con Descriptores de Superficie. In Conceptos y Métodos en Visión por Compurator , pages 265–284. 2016. [GMT14] Pablo Gil, Carlos M. Mateo, and Fernando Torres. 3D visual sensing of the human hand for the remote operation of a robotic hand. International Journal of Advanced Robotic Systems , 11(1):26, feb 2014. [GNC+01] M. W M Gamini Dissanayake, Paul Newman, Steven Clark, Hugh F. Durrant-Whyte, and M. Csorba. A solution to the simultaneous localization and map building (SLAM) problem. IEEE Transactions on Robotics and Automation , 17(3):229–241, jun 2001. [GSB+13a] Yulan Guo, Ferdous Sohel, Mohammed Bennamoun, Min Lu, and Jianwei Wan. Rotational projection statistics for 3D local surface description and object recognition. International Journal of Computer Vision , 105(1):63–86, oct 2013. [GSB+13b] Yulan Guo, Ferdous A. Sohel, Mohammed Bennamoun, Jianwei Wan, and Min Lu. RoPS: A local feature descriptor for 3D rigid objects based on rotational projection statistics. In 2013 1st International Conference on Communications, Signal Processing and Their Applications, ICCSPA 2013 , pages 1–6. IEEE, feb 2013. [GSB+13c] Yulan Guo, Ferdous Ahmed Sohel, Mohammed Bennamoun, Min Lu, and Jianwei Wan. TriSI: A Distinctive Local Surface Descriptor for 3D Modeling and Object Recognition. In GRAPP/IVAPP , pages 86–93, 2013. [GtPSP16] Marcus Gualtieri, Andreas ten Pas, Kate Saenko, and Robert Platt. Grasp pose detection in dense clutter. International Conference on Intelligent Robots and Systems , 2016. [Hen08] A Flint A Dick A Van Den Hengel. Local 3D structure recognition in range images. Engineering and Technology , 2(4):208– 217, 2008. [HG09] H.T. Ho and D. Gibbins. Curvature-based approach for multi-scale feature extraction from 3D meshes and unstructured point clouds. IET Computer Vision , 3(4):201–212, 2009. [HH09] Jiaxi Hu and Jing Hua. Salient spectral geometric features for shape matching and retrieval. Visual Computer , 25(5-7):667–675, may 2009. [HKH+14] Peter Henry, Michael Krainin, Evan Herbst, Xiaofeng Ren, and Dieter Fox. RGB-DMapping: Using Depth Cameras for Dense 3D Modeling of Indoor Environments. Experimental Robotics , 79:1–28, 2014. [HLD+08] Jing Hua, Zhaoqiang Lai, Ming Dong, Xianfeng Gu, and Hong Qin. Geodesic distance-weighted shape vector image diffusion. In IEEE Transactions on Visualization and Computer Graphics , volume 14, pages 1643–1650, nov 2008. [HQ10] Tingbo Hou and Hong Qin. Efficient computation of scale-space features for deformable shape correspondences. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) , volume 6313 LNCS, pages 384–397, 2010. [HRD+12] S Holzer, R B Rusu, M Dixon, S Gedikli, and N Navab. Adaptive Neighborhood Selection for Real-Time Real-Time Surface Normal Estimation from Organized Point Cloud Data Using Integral Images. In 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems , pages 2684–2689, 2012. [HS88] Chris Harris and Mike Stephens. A Combined Corner and Edge Detector. Procedings of the Alvey Vision Conference 1988 , pages 147–151, 1988. [HWB+13] Armin Hornung, Kai M. Wurm, Maren Bennewitz, Cyrill Stachniss, and Wolfram Burgard. OctoMap: An efficient probabilistic 3D mapping framework based on octrees. Autonomous Robots , 34(3):189–206, apr 2013. [IKH+11] Shahram Izadi, Kim, Otmar Hilliges, David Molyneaux, Richard Newcombe, Pushmeet Kohli, Jamie Shotton, Steve Hodges, Dustin Freeman, Andrew Davison, and Andrew Fitzgibbon. KinectFusion: real-time 3D reconstruction and interaction using a moving depth camera. Proceedings of the 24th annual ACM User Interface Software and Technology Symposium - UIST ’11 , pages 559–568, 2011. [IT16] Alexandru Eugen Ichim and Federico Tombari. Semantic parametric body shape estimation from noisy depth sequences. Robotics and Autonomous Systems , 75:539–549, 2016. [ITHG12] Yani Ioannou, Babak Taati, Robin Harrap, and Michael Greenspan. Difference of normals as a multi-scale operator in unorganized point clouds. In Proceedings - 2nd Joint 3DIM/3DPVT Conference: 3D Imaging, Modeling, Processing, Visualization and Transmission, 3DIMPVT 2012 , pages 501–508. IEEE, oct 2012. [JGL14] Y.-B. Jia, F. Guo, and H. Lin. Grasping deformable planar objects: Squeeze, stick/slip analysis, and energy-based optimalities. The International Journal of Robotics Research , 33(6):866–897, 2014. [JH98] A.E. Johnson and M. Hebert. Surface matching for object recognition in complex three-dimensional scenes. Image and Vision Computing , 16(9-10):635–651, jul 1998. [JH99] Andrew Edie Johnson and Martial Hebert. Using spin images for efficient object recognition in cluttered 3D scenes. IEEE Transactions on Pattern Analysis and Machine Intelligence , 21(5):433–449, 1999. [JLCE15] Ho Yub Jung, Soochahn Lee, Div Comp, and Elect Sys Eng. Random Tree Walk toward Instantaneous 3D Human Pose Estimation. pages 2467–2474, 2015. [Joh97] Andrew Edie Johnson. Spin-images: a representation for 3-D surface matching . PhD thesis, Carnegie Mellon University, 1997. [KBLB12] Iasonas Kokkinos, Michael M. Bronstein, Roee Litman, and Alex M. Bronstein. Intrinsic shape context descriptors for deformable shapes. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition , pages 159–166. IEEE, jun 2012. [KCP10] Fouad F. Khalil, Phillip Curtis, and Pierre Payeur. Visual monitoring of surface deformations on objects manipulated with a robotic hand. ROSE 2010 - 2010 IEEE International Workshop on Robotic and Sensors Environments, Proceedings, pages 128–133, 2010. [KCP15] Zhanat Kappassov, Juan Antonio Corrales, and Vronique Perdereau. Tactile sensing in dexterous robot hands - Review. Robotics and Autonomous Systems, 74:195–220, 2015. [KFR03] Michael Kazhdan, Thomas Funkhouser, and Szymon Rusinkiewicz. Rotation invariant spherical harmonic representation of 3D shape descriptors. In Symposium on geometry processing, volume 6, pages 156–165, 2003. [KG15] Ioannis Kostavelis and Antonios Gasteratos. Semantic mapping for mobile robotics tasks: A survey. Robotics and Autonomous Systems, 66:86–103, 2015. [KHR+12] Bernhard Kainz, Stefan Hauswiesner, Gerhard Reitmayr, Markus Steinberger, Raphael Grasset, Lukas Gruber, Eduardo Veas, Denis Kalkofen, Hartmut Seichter, and Dieter Schmalstieg. OmniKinect: Real-Time Dense Volumetric Data Acquisition and Applications. Proceedings of the 18th ACM symposium on Virtual reality software and technology, pages 25–32, 2012. [KHYP11] Hyoungnyoun Kim, Inkyu Han, Bum Jae You, and Ji Hyung Park. Towards cognitive grasping: Modeling of unknown objects and its corresponding grasp types. Intelligent Service Robotics, 4(3):159–166, 2011. [KMA01] D Kragic, A Miller, and P Allen. Real-time Tracking Meets Online Planning. IEEE International Conference on Robotics and Automation, pages 2460–2465, 2001. [KPRB09] Ulrich Klank, Dejan Pangercic, Radu Bogdan Rusu, and Michael Beetz. Realtime CAD model matching for mobile manipulation and grasping. 9th IEEE RAS International Conference on Humanoid Robots, HUMANOIDS09, pages 290–296, 2009. [KPW+10] Jan Knopp, Mukta Prasad, Geert Willems, Radu Timofte, and Luc Van Gool. Hough transform and 3D SURF for robust three dimensional classification. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), volume 6316(6), pages 589–602, 2010. [KRK+15] Min Hyuc Ko, Beom Sahng Ryuh, Kyoung Chul Kim, Abhijit Suprem, and Nitaigour P. Mahalik. Autonomous Greenhouse Mobile Robot Driving Strategies from System Integration Perspective: Review and Application. IEEE/ASME Transactions on Mechatronics, 20(4):1705–1716, aug 2015. [KS04] Yan Ke Yan Ke and R. Sukthankar. PCA-SIFT: a more distinctive representation for local image descriptors. Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004. CVPR 2004. , 2:2–9, 2004. [KSFF13] Souhaiel Khalfaoui, Ralph Seulin, Yohan Fougerolle, and David Fofi. An efficient method for fully automatic 3D digitization of unknown objects. Computers in Industry , 64(9):1152–1160, 2013. [KSK98] Rheinhard Klette, Karsten Schlüns, and Andreas Koschan. Computer vision: three-dimensional data from images . 1998. [KZL12] a. Kurakin, Z. Zhang, and Z. Liu. A real time system for dynamic hand gesture recognition with a depth sensor. 20th European Signal Processing Conference (EUSIPCO 2012) , (Eusipco):1975–1979, 2012. [LBRF11] Kevin Lai, Liefeng Bo, Xiaofeng Ren, and Dieter Fox. Sparse Distance Learning for Object Recognition Combining RGB and Depth Information. In Proc. of the IEEE International Conference on Robotics & Automation (ICRA) , 2011. [LCC15] Ren C Luo, Chia-Wen Kuo, and Yi-Ting Chung. Model-based 3D object recognition and fetching by a 7-DoF robot with online obstacle avoidance for factory automation. 2015 IEEE International Conference on Robotics and Automation (ICRA) , 106(1):2647–2652, 2015. [LCP13] Chan Su Lee, SungYong Chun, and Shin Won Park. Tracking hand rotation and various grasping gestures from an IR camera using extended cylindrical manifold embedding. Computer Vision and Image Understanding , 117(12):1711–1723, 2013. [LEHR13] Qiang Li, Christof Elbrechter, Robert Haschke, and Helge Ritter. Integrating vision, haptics and proprioception into a feedback controller for in-hand manipulation of unknown objects. IEEE International Conference on Intelligent Robots and Systems , pages 2466–2471, 2013. [LG05] Xinju Li and Igor Guskov. Multi-scale Features for Approximate Alignment of Point-based Surfaces. Sgp’05 , pages 187–196, jan 2005. [LGWJ14] Huan Lin, Feng Guo, Feifei Wang, and Yan Bin Jia. Picking up soft 3D objects with two fingers. Proceedings - IEEE International Conference on Robotics and Automation , pages 3656–3661, 2014. [LH81] H. C. Longuet-Higgins. A computer algorithm for reconstructing a scene from two projections. Nature , 293(5828):133–135, 1981. [LHCS14] Adam Leeper, Kaijen Hsiao, E Chu, and Kenneth Salisbury. Using near-field stereo vision for robotic grasping in cluttered environments. Experimental Robotics , 79:253–267, 2014. [Lin94] Tony Lindeberg. Scale-space theory: a basic tool for analyzing structures at different scales. Journal of Applied Statistics , 21(1):225–270, 1994. [LN01] Yanhong Luo and Bradley J. Nelson. Fusing force and vision feedback for manipulating deformable objects. Journal of Robotic Systems , 18(3):103–117, 2001. [Low04] David G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision , 60(2):91–110, nov 2004. [LR12] John Leonard and Marine Robotics. Robust Tracking for Real-Time Dense RGB-D Mapping with Kintinuous. 2012. [LRSV13] Vincenzo Lippiello, Fabio Ruggiero, Bruno Siciliano, and Luigi Villani. Visual grasp planning for unknown objects using a multifingered robotic hand. IEEE/ASME Transactions on Mechatronics , 18(3):1050–1059, 2013. [LS09] Tsz Wai Rachel Lo and J. Paul Siebert. Local feature extraction and matching on range images: 2.5D SIFT. Computer Vision and Image Understanding , 113(12):1235–1250, dec 2009. [LSKK10] Marvin Lindner, Ingo Schiller, Andreas Kolb, and Reinhard Koch. Time-of-Flight sensor calibration for accurate range sensing. Computer Vision and Image Understanding , 114(12):1318–1328, 2010. [MAC16] Riccardo Monica, Jacopo Aleotti, and Stefano Caselli. A KinFu based approach for robot spatial attention and view planning. Robotics and Autonomous Systems , 75:627–640, 2016. [Mas09] Takeshi Masuda. Log-polar height maps for multiple range image registration. Computer Vision and Image Understanding , 113(11):1158–1169, nov 2009. [MB12] Artashes Mkhitaryan and Darius Burschka. Vision based haptic multisensor for manipulation of soft, fragile objects. Proceedings of IEEE Sensors , 2012. [MBO06] Ajmal S Mian, Mohammed Bennamoun, and Robyn Owens. Three-dimensional model-based object recognition and segmentation in cluttered scenes. IEEE Transactions on Pattern Analysis and Machine Intelligence , 28(10):1584–1601, 2006. [MBO10] A. Mian, M. Bennamoun, and R. Owens. On the repeatability and quality of keypoints for local feature-based 3D object retrieval from cluttered scenes. International Journal of Computer Vision , 89(2-3):348–361, sep 2010. [MDM+15] Damian Mira, Ángel Delgado, Carlos M. Mateo, Santiago T. Puente, Francisco A. Candelas, and Fernando Torres. Study of dexterous robotic grasping for deformable objects manipulation. In 2015 23rd Mediterranean Conference on Control and Automation, MED 2015 - Conference Proceedings , pages 262–266, 2015. [MGC+12] Carlos M. Mateo, Pablo Gil, Juan A. Corrales, Santiago T. Puente, and Fernando Torres. RGBD Human-Hand recognition for the Interaction with Robot-Hand. In Iros , page 6, 2012. [MGMT15] Carlos M. Mateo, Pablo Gil, Damian Mira, and Fernando Torres. Analysis of shapes to measure surfaces: An approach for detection of deformations. ICINCO 2015 - 12th International Conference on Informatics in Control, Automation and Robotics, Proceedings , 2:60–65, 2015. [MGPT12] Carlos M. Mateo, Pablo Gil, Santiago T. Puente, and Fernando Torres. Reconocimiento de manos con sensor RGB–D. In Actas de las XXXIII Jornadas de Automática , 2012. [MGT14a] Carlos M. Mateo, Pablo Gil, and Fernando Torres. A performance evaluation of surface normals-based descriptors for recognition of objects using CADmodels. 11th International Conference on Informatics in Control, Automation and Robotics (ICINCO) , pages 428–435, 2014. [MGT14b] Carlos M. Mateo, Pablo Gil, and Fernando Torres. Geometric Object Recognition in Range Image for Grasping. In International Computer Vision Summer School (ICVSS 2014): From Fundamentals to Application . Roberto Cipolla, Sebastiano Battiato, 2014. [MGT14c] Carlos M. Mateo, Pablo Gil, and Fernando Torres. Localización de objetos 3D con ambigüedad de vista en tareas de guiado robótico. In Jornadas de Automática 2014 , 2014. [MGT15] Carlos M. Mateo, Pablo Gil, and Fernando Torres. Detección de deformaciones 3D calculando esqueletos de curvaturas. In Actas de las XXXVI Jornadas de Automática, 2-4 de septiembre de 2015, Bilbao. Comité Español de Automática de la IFAC , pages 66–72, 2015. [MGT16a] Carlos M. Mateo, Pablo Gil, and Fernando Torres. 3D Visual Data-driven Spatiotemporal Deformations for Non-Rigid Object Grasping using Robot Hands. Sensors , 15:1–13, 2016. [MGT16b] Carlos M. Mateo, Pablo Gil, and Fernando Torres. Computation of Curvature Skeleton to Measure Deformations in Surfaces. In Lecture Notes in Electrical Engineering , pages 197–207. Springer, Cham, 2016. [MGT16c] Carlos M. Mateo, Pablo Gil, and Fernando Torres. Visual perception for the 3D recognition of geometric pieces in robotic manipulation. International Journal of Advanced Manufacturing Technology , 83(9-12):1999–2013, apr 2016. [MGT17] Carlos M. Mateo, Pablo Gil, and Fernando Torres. GSHOT: a Global Descriptor from SHOT to Reduce Time and Space Requirements. In Proceedings of 10th Eurographics Workshop on 3D Object Retrieval , 2017. [MKY01] F. Mokhtarian, N. Khalili, and P. Yuen. Multi-scale free-form 3D object recognition using 3D models. Image and Vision Computing , 19(5):271–281, apr 2001. [ML09] Marius Muja and David G Lowe. Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration. International Conference on Computer Vision Theory and Applications (VISAPP ’09) , 2(2):331–340, 2009. [ML11] Marius Muja and David Lowe. FLANN - Fast Library for Approximate Nearest Neighbors User Manual. Visapp , pages 331–340, 2011. [ML12] Luis Montesano and Manuel Lopes. Active learning of visual descriptors for grasping using non-parametric smoothed beta distributions. Robotics and Autonomous Systems , 60(3):452–462, 2012. [ML14] Marius Muja and David G. Lowe. Scalable nearest neighbor algorithms for high dimensional data. IEEE Transactions on Pattern Analysis and Machine Intelligence , 36(11):2227–2240, nov 2014. [MLY13] Stephen McKeague, Jindong Liu, and Guang Zhong Yang. An asynchronous RGB-D sensor fusion framework using Monte-Carlo methods for hand tracking on a mobile robot in crowded environments. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) , volume 8239 LNAI, pages 491–500. Springer, Cham, 2013. [MMGT13] Francisco Martinez, Carlos M. Mateo, Pablo Gil, and Fernando Torres. Análisis del descriptor VFH para el reconocimiento 3D de multiples vistas de objetos domésticos. In Actas de las XXXIV Jornadas de Automatica , 2013. [MPA14] D Michel, K. Papoutsakis, and A.A. Argyros. Gesture recognition for the perceptual support of assistive robots. In International Symposium on Visual Computing (ISVC 2014) , 2014. [MPBB11] Zoltan-Csaba Z.-C. Marton, Dejan Pangercic, Nico Blodow, and Michael Beetz. Combined 2D-3D categorization and classification for multimodal perception systems. The International Journal of Robotics Research , 30(11):1378–1402, 2011. [MPF13] Antonio Morales, Mario Prats, and Javier Felip. Sensors and Methods for the Evaluation of Grasping. Grasping in Robotics , 10:77–104, 2013. [MPG+12] Jose L. Muñoz, Daniel Pastor, Pablo Gil, Santiago Timoteo Puente Méndez, and Miguel Cazorla. A study of 2d features for 3d visual SLAM. In 43rd International Symposium on Robotics (ISR) , 2012. [MRB09] Zoltan Csaba Marton, Radu Bogdan Rusu, and Michael Beetz. On fast surface reconstruction methods for large and noisy point clouds. Robotics and Automation, IEEE International Conference on , pages 3218–3223, 2009. [MS07] Sotiris Malassiotis and Michael G. Strintzis. Snapshots: A novel local surface descriptor and matching algorithm for robust 3D surface alignment. IEEE Transactions on Pattern Analysis and Machine Intelligence , 29(7):1285–1290, jul 2007. [MSS+06] Bogdan Matei, Ying Shan, Harpreet S. Sawhney, Y. Tan, Rakesh Kumar, Daniel Huber, and Martial Hebert. Rapid object indexing using locality sensitive hashing and joint 3D-signature space estimation. IEEE transactions on pattern analysis and machine intelligence , 28(7):1111–1126, jul 2006. [MTS+05] K. Mikolajczyk, T. Tuytelaars, C. Schmid, A. Zisserman, J. Matas, F. Schaffalitzky, T. Kadir, and L. Van Gool. A Comparison of Affine Region Detectors. International Journal of Computer Vision , 65(1-2):43–72, nov 2005. [NaL13] David Navarro-alarcon and Yunhui Liu. Model-free Visually Servoed Deformation Control by Robot Manipulators. pages 5239–5244, 2013. [NALRL14] David Navarro-Alarcon, Y.-h. Yun-hui Liu, Jose Guadalupe Romero, and Peng Li. On the visual deformation servoing of compliant objects: Uncalibrated control methods and experiments. The International Journal of Robotics Research , 33(11):1462–1480, sep 2014. [NIH+11] Richard A. Newcombe, Shahram Izadi, Otmar Hilliges, David Molyneaux, David Kim, Andrew J. Davison, Pushmeet Kohli, Jamie Shotton, Steve Hodges, and Andrew Fitzgibbon. KinectFusion: Real-time dense surface mapping and tracking. In 2011 10th IEEE International Symposium on Mixed and Augmented Reality, ISMAR 2011 , pages 127–136. IEEE, oct 2011. [NLB+11] Dominik Neumann, Felix Lugauer, Sebastian Bauer, Jakob Wasza, and Joachim Hornegger. Real-time RGB-D mapping and 3-D modeling on the GPU using the random ball cover data structure. In Proceedings of the IEEE International Conference on Computer Vision , pages 1161–1167. IEEE, nov 2011. [NN07] John Novatnack and Ko Nishino. Scale-Dependent 3D Geometric Features. In Computer Vision, 2007. ICCV 2007. IEEE 11th International Conference on , pages 1–8. IEEE, 2007. [NN08] John Novatnack and Ko Nishino. Scale-Dependent / Invariant Local 3D Shape Descriptors for Fully Automatic Registration of Multiple Sets of Range Images. Eccv , 5304:440–453, 2008. [NS07] Kai Nickel and Rainer Stiefelhagen. Visual recognition of pointing gestures for human-robot interaction. Image and Vision Computing , 25(12):1875–1884, 2007. [ODC+14] Kenton O’Hara, Neville Dastur, Tom Carrell, Gerardo Gonzalez, Abigail Sellen, Graeme Penney, Andreas Varnavas, Helena Mentis, Antonio Criminisi, Robert Corish, and Mark Rouncefield. Touchless interaction in surgery. Communications of the ACM , 57(1):70–77, jan 2014. [OFCD01] Robert Osada, Thomas Funkhouser, Bernard Chazelle, and David Dobkin. Matching 3D models with shape distributions. Proceedings - International Conference on Shape Modeling and Applications, SMI 2001 , pages 154–166, 2001. [Ots79] N Otsu. Otsu1975. IEEE Trans. Syst. Man Cybern. , 9(1):62–66, 1979. [PAH+14] C Pfitzner, W Antal, P Hess, S May, C Merkl, P Koch, R Koch, and M Wagner. 3D Multi-Sensor Data Fusion for Object Localization in Industrial Applications. ISR/Robotik 2014; 41st International Symposium on Robotics; Proceedings of , pages 1–6, 2014. [PASW13] Jeremie Papon, Alexey Abramov, Markus Schoeler, and Florentin Worgotter. Voxel cloud connectivity segmentation - Supervoxels for point clouds. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition , pages 2027–2034, 2013. [PGT10] Jorge Pomares, Pablo Gil, and Fernando Torres. Visual Control of Robots Using Range Images. Sensors , 10(8):7303–7322, aug 2010. [PK15] Karl Pauwels and Danica Kragic. SimTrack: A Simulation-based Framework for Scalable Real-time Object Pose Detection and Tracking. In Intelligent Robots and Systems (IROS), 2015 IEEE/RSJ International Conference on , pages 1300—-1307, 2015. [PKB+10] Mila Popovi´c, Dirk Kraft, Leon Bodenhagen, Emre Ba¸seski, Nicolas Pugeault, Danica Kragic, Tamim Asfour, and Norbert Krüger. A strategy for grasping unknown objects based on co-planarity and colour information. Robotics and Autonomous Systems , 58(5):551–565, 2010. [PKG03] Mark Pauly, Richard Keiser, and Markus Gross. Multi-scale Feature Extraction on Point-Sampled Surfaces. In Computer Graphics Forum , volume 22, pages 281–289, sep 2003. [PRS89] Tsai Yun Phillips, Azriel Rosenfeld, and Allen C. Sher. O(log n) bimodality analysis. Pattern Recognition , 22(6):741–746, 1989. [PSTA10] L Pari, J. M. Sebastián, A Traslosheros, and L Angel. A comparative study between analytic and estimated image Jacobian by using a stereoscopic system of cameras. In IEEE/RSJ 2010 International Conference on Intelligent Robots and Systems, IROS 2010 - Conference Proceedings , pages 6208–6215. IEEE, oct 2010. [RBB09] Radu Bogdan Rusu, Nico Blodow, and Michael Beetz. Fast Point Feature Histograms (FPFH) for 3D registration. In IEEE International Conference on Robotics and Automation , pages 3212–3217, 2009. [RBMB08] Radu Bogdan Rusu, Nico Blodow, Zoltan Csaba Marton, and Michael Beetz. Aligning Point Cloud Views using Persistent Feature Histograms. In IEEE/RSJ International Conference on Intelligent Robots and Systems , pages 3384–3391, 2008. [RBTH10] Radu Bogdan Rusu, Gary Bradski, Romain Thibaux, and John Hsu. Fast 3D recognition and pose using the viewpoint feature histogram. In IEEE/RSJ 2010 International Conference on Intelligent Robots and Systems, IROS 2010 - Conference Proceedings, pages 2155–2162, 2010. [RC11] Radu Bogdan Rusu and Steve Cousins. 3D is here: point cloud library. IEEE International Conference on Robotics and Automation, pages 1 – 4, may 2011. [RM12] Henry Roth and Vona Marsette. Moving Volume KinectFusion. Proceedings of the British Machine Vision Conference, pages 112.1—-112.11, 2012. [RMB+09] Radu Bogdan Rusu, Zoltan Csaba Marton, Nico Blodow, Andreas Holzbach, and Michael Beetz. Model-based and learned semantic object labeling in 3D point cloud maps of kitchen environments. In 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2009, pages 3601–3608. IEEE, oct 2009. [RMSLA16] David Roca, Joaquín Martínez-Sánchez, Susana Lagüela, and Pedro Arias. Novel Aerial 3D Mapping System Based on UAV Platforms and 2D Laser Scanners. Journal of Sensors, 2016, 2016. [Rob] Shadow Robot. Dexterous hand. [Rus09] Radu Bogdan Rusu. Semantic 3D Object Maps for ·veryday Robot Manipulation. Springer, 2009. [RWA+16] Martijn Rooker, Christian Wögerer, Alfred Angerer, Christoph Kopf, Jose Capco, Aitor Olarra, Elena Fuentes, Carola Zwicker, and Andreas Pichler. Flexible grasping of electronic consumer goods. International Journal of Advanced Manufacturing Technology, 85(1-4):71–84, 2016. [SA01] Y. Sun and M A Abidi. Surface matching by 3D point’s fingerprint. Computer Vision, 2001. ICCV 2001. Proceedings. Eighth IEEE International Conference on, 2:263—-269 vol.2, 2001. [SACRS15] Li Sun, Gerardo Aragon-Camarasa, Simon Rogers, and J. Paul Siebert. Accurate garment surface analysis using an active stereo robot head with application to dual-arm flattening. Proceedings - IEEE International Conference on Robotics and Automation, 2015-June(June):185–192, 2015. [SALM+12] Xavier Suau, Marcel Alcoverro, Adolfo Lopez-Mendez, Javier Ruiz-Hidalgo, and Josep Casas. INTAIRACT: Joint hand gesture and fingertip classification for touchless interaction. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), volume 7585 LNCS, pages 602–606. Springer, Berlin, Heidelberg, 2012. [SB11a] Ivan Sipiran and Benjamin Bustos. Harris 3D: A robust extension of the Harris operator for interest point detection on 3D meshes. In Visual Computer , volume 27, pages 963–976, nov 2011. [SB11b] Jörg Stückler and Sven Behnke. Interest point detection in depth images through scale-space surface analysis. In Proceedings - IEEE International Conference on Robotics and Automation , pages 3568–3574. IEEE, may 2011. [SB15] Jörg Stückler and Sven Behnke. Perception of deformable objects and compliant manipulation for service robots. Soft Robotics: Transferring Theory to Application , page 7, 2015. [SBS05] O. Schall, A. Belyaev, and H.-P. Seidel. Robust filtering of noisy scattered point data. Proceedings Eurographics/IEEE VGTC Symposium Point-Based Graphics, 2005. , pages 71–144, 2005. [SC15] Ioan A. Sucan and Sachin Chitta. MoveIt!, 2015. [Sch10] Brent Schwarz. Lidar: Mapping the world in 3D. Nature Photonics , 4(7):429–430, 2010. [SG01] Eric Shaffer and Michael Garland. Efficient adaptive simplification of massive meshes. IEEE Visualization ’01. , pages 127–551, 2001. [SH80] Firooz A Sadjadi and Ernest L Hall. Three-dimensional moment invariants. IEEE transactions on pattern analysis and machine intelligence , 2(2):127–136, 1980. [Sie09] J Paul Siebert. an Introduction To 3D Computer Vision Techniques an Introduction To 3D Computer Vision Techniques. Computing , 2009. [SKM13] Yanhua Sun, Noriaki Kuwahara, and Kazunari Morimoto. Development of recognition system of Japanese sign language using 3D image sensor, 2013. [SM92] Fridtjof Stein and G Medioni. Structural indexing: Efficient 3-D object recognition. IEEE Trans. Pattern Anal. Mach. Intell. , 14(2):125–145, 1992. [SMKF04] P. Shilane, P. Min, M. Kazhdan, and T. Funkhouser. The princeton shape benchmark. In Proceedings Shape Modeling Applications, 2004. , pages 167–178, 2004. [SMM+14] Javier Seron, Jorge L. Martinez, Anthony Mandow, Antonio J. Reina, Jesus Morales, and Alfonso J. Garcia-Cerezo. Automation of the arm-aided climbing maneuver for tracked mobile manipulators. IEEE Transactions on Industrial Electronics , 61(7):3638–3647, jul 2014. [SOG09] Jian Sun, Maks Ovsjanikov, and Leonidas Guibas. A concise and provably informative multi-scale signature based on heat diffusion. Eurographics Symposium on Geometry Processing , 28(5):1383–1392, jul 2009. [SR10] Bastian Steder and RB Rusu. NARF: 3D range image features for object recognition. InWorkshop on Defining and Solving Realistic Perception Problems in Personal Robotics at the IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS). , volume 44, 2010. [SS12] Jean Philippe Saut and Daniel Sidobre. Efficient models for grasp planning with a multi-fingered hand. Robotics and Autonomous Systems , 60(3):347–357, 2012. [STD14] Samuele Salti, Federico Tombari, and Luigi Di Stefano. SHOT: Unique signatures of histograms for surface and texture description. Computer Vision and Image Understanding , 125:251–264, 2014. [SW13] F Sukno and JL Waddington. Rotationally invariant 3D shape contexts using asymmetry patterns. Proceedings of GRAPP/IVAPP , pages 7–17, 2013. [SZ11] Marek Solony and P Zemˇcík. Scene reconstruction from kinect motion. In Proceeding of the 17th conference and competition student EEICT 2011 , number 2, pages 1–5, 2011. [TBJG07] Babak Taati, Michel Bondy, Piotr Jasiobedzki, and Michael Greenspan. Variable dimensional local shape descriptors for object recognition in range data. In Proceedings of the IEEE International Conference on Computer Vision , pages 1–8. IEEE, 2007. [TG11] Babak Taati and Michael Greenspan. Local shape descriptor selection for object recognition in range data. Computer Vision and Image Understanding , 115(5):681–694, 2011. [TGRC13] Alexander J B Trevor, Suat Gedikli, Radu Bogdan Rusu, and Henrik I Christensen. Efficient organized point cloud segmentation with connected components. Proceedings of Semantic Perception Mapping and Exploration , pages 1–6, 2013. [TP91] M.A. Turk and A.P. Pentland. Face recognition using eigenfaces. Proceedings. 1991 IEEE Computer Society Conference on Computer Vision and PatternRecognition , pages 586–591, 1991. [tPP16] Andreas ten Pas and Robert Platt. Localizing handle-like grasp affordances in 3D point clouds. Springer Tracts in Advanced Robotics , 109:623–638, 2016. [Tru98] A Trucco, E., Verri. Introductory Techniques for 3D Computer Vision. Prentice-Hall. , 201, 1998. [TSD10a] Federico Tombari, Samuele Salti, and Luigi Di Stefano. Unique shape context for 3d data description. In Proceedings of the ACM workshop on 3D object retrieval - 3DOR ’10 , pages 57–62, New York, New York, USA, 2010. ACM Press. [TSD10b] Federico Tombari, Samuele Salti, and Luigi Di Stefano. Unique signatures of histograms for local surface description. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) , volume 6313(3), pages 356–369. Springer, 2010. [TSD11] Federico Tombari, Samuele Salti, and Luigi Di Stefano. A combined textureshape descriptor for enhanced 3D feature matching. In Proceedings - International Conference on Image Processing, ICIP , pages 809–812. IEEE, sep 2011. [TSD13] Federico Tombari, Samuele Salti, and Luigi Di Stefano. Performance evaluation of 3D keypoint detectors. International Journal of Computer Vision , 102(1-3):198–220, 2013. [TWL+13] Shuai Tang, Xiaoyu Wang, Xutao Lv, Tony X. Han, James Keller, Zhihai He, Marjorie Skubic, and Shihong Lao. Histogram of oriented normal vectors for object recognition with a depth sensor. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) , volume 7725 LNCS, pages 525–538, 2013. [UH08] Ranjith Unnikrishnan and Martial Hebert. Multi-scale interest regions from unorganized point clouds. In 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, CVPR Workshops , pages 1–8. IEEE, jun 2008. [VBS+16] Markus Vincze, Markus Bajones, Markus Suchi, Daniel Wolf, Astrid Weiss, and David Fischinger. Learning and Detecting Objects with a Mobile Robot to Assist Older Adults in Their Homes. In European Conference on Computer Vision , pages 316—-330, 2016. [VGR+17] David Valiente, Arturo Gil, Óscar Reinoso, Miguel Juliá, and Mathew Holloway. Improved Omnidirectional Odometry for a View-Based Mapping Approach. Sensors , 17(2):325, feb 2017. [WARV12] Walter Wohlkinger, Aitor Aldoma, Radu B. Rusu, and Markus Vincze. 3DNet: Large-scale object class recognition from CAD models. In Proceedings - IEEE International Conference on Robotics and Automation , pages 5384–5391. IEEE, may 2012. [Wil13] Willow Garage. Willow Garage, 2013. [WV11a] Walter Wohlkinger and Markus Vincze. Ensemble of shape functions for 3D object classification. 2011 IEEE International Conference on Robotics and Biomimetics , pages 2987–2992, 2011. [WV11b] Walter Wohlkinger and Markus Vincze. Shape distributions on voxel surfaces for 3D object classification from depth images. 2011 IEEE International Conference on Signal and Image Processing Applications, ICSIPA 2011 , pages 115–120, 2011. [Xu04] Fengliang Xu. Mapping and Localization for Extraterrestrial Robotic Explorations. PhD.Thesis@OSU , page 175, 2004. [YBA11] Hanna Yousef, Mehdi Boukallel, and Kaspar Althoefer. Tactile sensing for dexterous in-hand manipulation in robotics - A review. Sensors and Actuators, A: Physical , 167(2):171–187, 2011. [YF02] Sameh M. Yamany and Aly A. Farag. Surface signatures: An orientation independent free-form surface representation scheme for the purpose of objects registration and matching. IEEE Transactions on Pattern Analysis and Machine Intelligence , 24(8):1105–1120, aug 2002. [Yos10] Tsuneo Yoshikawa. Multifingered robot hands: Control for grasping and manipulation. Annual Reviews in Control , 34(2):199–208, 2010. [ZBVH09] Andrei Zaharescu, Edmond Boyer, Kiran Varanasi, and Radu Horaud. Surface feature detection and description with applications to mesh matching. In 2009 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, CVPR Workshops 2009 , pages 373–380. IEEE, jun 2009. [ZHDQ08] Guangyu Zou, Jing Hua, Ming Dong, and Hong Qin. Surface matching with salient keypoints in geodesic scale space. In Computer Animation and Virtual Worlds , volume 19, pages 399–410, 2008. [ZHG15] Cheng Zhao, Huosheng Hu, and Dongbing Gu. Building a grid-point cloud-semantic map based on graph for the navigation of intelligent wheelchair. In 2015 21st International Conference on Automation and Computing: Automation, Computing and Manufacturing for New Economic Growth, ICAC 2015, pages 1–7. IEEE, sep 2015. [ZHL+09] Guangyu Zou, Jing Hua, Zhaoqiang Lai, Xianfeng Gu, and Ming Dong. Intrinsic geometric scale space by shape diffusion. In IEEE Transactions on Visualization and Computer Graphics, volume 15, pages 1193–1200, nov 2009. [Zho09] Yu Zhong. Intrinsic shape signatures: A shape descriptor for 3D object recognition. In 2009 IEEE 12th International Conference on Computer Vision Workshops, ICCV Workshops 2009, pages 689–696. IEEE, sep 2009. [ZIMGP17] Brayan S. Zapata-Impata, Carlos M. Mateo, Pablo Gil, and Jorge Pomares. Using Geometry to Detect Grasping Points on 3D Unknown Point Cloud. In 14th International Conference on Informatics in Control, Automation and Robotics, 2017.

Imprimir

Modificar Consulta Nueva Consulta

Versión 4.4