麻省理工学院开发的一项新技术使机器人能够快速识别隐藏在三维数据云中的对象，这让人想起某些人如何以正确的方式观察密集的“魔术眼”图像。

机器人通常通过传感器“看到”他们的环境，这些传感器收集视觉场景并将其转换为点矩阵。想想“矩阵”的世界，除了虚构人物Neo看到的1和0被点(很多点)代替，其图案和密度勾勒出特定场景中的对象。

试图挑出来自这些对象的传统技术的云点，点云的，可与速度和准确性，但不能两者都做。

研究人员说，利用他们的新技术，机器人可以在接收视觉数据的几秒钟之内，准确地拾取物体，例如小动物，否则该物体会被密集的点云所遮盖。该团队表示，该技术可用于改善机器感知必须快速且准确的许多情况，包括工厂和家庭中的无人驾驶汽车和机器人助手。

麻省理工学院实验室的成员，航空航天学助理教授卢卡·卡洛恩说：“这项工作令人惊讶的是，如果我要求您在成千上万的点云中找到一个兔子，那是不可能的。”用于信息和决策系统(LIDS)。“但是我们的算法能够通过所有这些杂物看到物体。因此，在定位物体时，我们已经达到了超人的性能水平。”

Carlone和研究生HengYang将在本月晚些时候在德国举行的机器人技术：科学与系统会议上介绍该技术的细节。

“失败而不知道”

当前，机器人试图通过将模板对象(一个对象(例如兔子)的3D点表示)与可能包含该对象的真实世界的点云表示进行比较，来识别点云中的对象。模板图像包括“特征”或点的集合，这些点表示该对象(例如兔子的耳朵或尾巴)的特征曲率或角度。现有算法首先从现实生活中的点云中提取相似的特征，然后尝试将那些特征与模板的特征进行匹配，最后旋转并将这些特征与模板对齐，以确定点云是否包含所讨论的对象。

但是，流入机器人传感器的点云数据始终包含错误，这些错误以错误位置或错误间距的点的形式出现，这会极大地混淆特征提取和匹配的过程。结果，机器人会在点云之间建立大量错误的关联，或者被研究人员称为“异常值”，并最终错误识别对象或完全错过它们。

卡洛恩(Carne)说，先进的算法能够在特征匹配后从良好的关联中筛选出不良的关联，但是它们可以在“指数时间内”进行筛选，这意味着即使是一堆处理繁重的计算机，也可以在密集的计算机中进行筛选使用现有算法的点云数据，将无法在合理的时间内解决问题。这种技术虽然准确无误，但对于分析包含密集点云的较大的实际数据集却不切实际。

其他可以快速识别特征和关联的算法会仓促执行，从而在过程中产生大量异常值或误检测，而不会意识到这些错误。

卡洛恩说：“如果这是在自动驾驶汽车上或任何对安全性要求很高的应用上运行，那将是可怕的。”“不知道自己是否失败就失败是算法可以做的最糟糕的事情。”