Reconocimiento y estimación de posición relativa de objetos en entornos controlados
Resumen
En este proyecto, se presenta un sistema de reconocimiento y clasificación de objetos que se encuentran en su entorno, para un robot de asistencia, así como la estimación de la posición relativa de estos con respecto al robot. Para el reconocimiento y clasificación de los objetos, se aplicaron técnicas de visión artificial basadas en herramientas de segmentación semántica, como son redes neuronales convolucionales. Para la estimación de la posición relativa de los objetos, una vez identificados, se implementó una técnica de visión estereoscópica. Los resultados de los experimentos muestran un 90.6% de precisión en el reconocimiento y clasificación, y un error medio de 5 cm al estimar la posición relativa de los objetos.
Descargas
Citas
Diddeniya, S. I. A. P., Adikari, A. M. S. B., Gunasinghe, H. N., Silva, P. R. S. D., Ganegoda, N. C., & Wanniarachchi, W. K. I. L. (2018). Vision based office assistant robot system for indoor office environment. 3rd International Conference on Information Technology Research (ICITR).
Emani, S., Soman, K., Sajith, V., & Adarsh, S. (2019). Obstacle Detection and Distance Estimation for Autonomous Electric Vehicle Using Stereo Vision and DNN. In J. Wang, G. Reddy, V. Prasad, & V. Reddy (Eds.), Soft Computing and Signal Processing (Vol. 898, pp. 639–648). Advances in Intelligent Systems and Computing. Springer.
Ferreira, L. (2013). Localization and navigation in an autonomous vehicle. Universidade de Aveiro Departamento de Electrónica, Telecomunicaciones e Informática.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778.
Jishnu, K., Indu, V., Ananthakrishnan, K., Amith, K., Reddy, P., & Pramod, S. (2020). Voice controlled personal assistant robot for elderly people. Proceedings of the Fifth International Conference on Communication and Electronics Systems (ICCES 2020), 269–274.
Levenberg, K. (1944). A method for the solution of certain non-linear problems in least squares. Quarterly of Applied Mathematics, 2(2), 164–168.
Marquardt, D. (1963). An algorithm for least-squares estimation of nonlinear parameters. SIAM Journal on Applied Mathematics, 11(2), 431–441.
Miseikis, J., Caroni, P., Duchamp, P., Gasser, A., Marko, N. M. R., Zwilling, F., Castelbajac, C., Eicher, L., Fruh, M., & Fruh, H. (2020). Lio-a personal robot assistant for human-robot interaction and care applications. IEEE Robotics and Automation Letters, 5, 5339–5346.
Mukherjee, A., Adarsh, S., & Ramachandran, K. I. (2020). ROS-based pedestrian detection and distance estimation algorithm using stereo vision, leddar and CNN.
Purwanto, D., Rivai, M., & Soebhakti, H. (2017). Vision-based multi-point sensing for corridor navigation of autonomous indoor vehicle. International Conference on Electrical Engineering and Computer Science (ICECOS), 67–70.
Rahul, & Nair, B. B. (2018). Camera-Based Object Detection, Identification and Distance Estimation. 2018 2nd International Conference on Micro-Electronics and Telecommunication Engineering (ICMETE), 203–205.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention, 9351.
Scipy (2022, July 15). Scipy.optimize.curve_fit. API reference. Retrieved from https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve_fit.html
Sensio, J. (2020, October 3). Visión Artificial - Segmentación Semántica. Sensio Inteligencia Artificial. Retrieved from https://juansensio.com/blog/050_cv_segmentacion
Yang, G., Wang, S., & Yang, J. (2019). Desire-driven reasoning for personal care robots. IEEE Access, 7, 75203–75212.
