Sistema de detección de robots humanoides en ambientes semiestructurados basado en visión estereoscópica

Oscar Herrera; Yesenia González; Paola Cortez; Benito Granados

doi:10.36561/ING.21.8

Autores

Oscar Herrera Instituto Politécnico Nacional, México https://orcid.org/0000-0002-7805-3677
Yesenia González Instituto Politécnico Nacional, México https://orcid.org/0000-0003-2370-4660
Paola Cortez Instituto Politécnico Nacional, México https://orcid.org/0000-0003-2338-8581
Benito Granados Instituto Politécnico Nacional, México https://orcid.org/0000-0003-1958-7780

DOI:

https://doi.org/10.36561/ING.21.8

Palavras-chave:

Visión artificial, Video estéreo, Red neuronal convolucional, Robots humanoides

Resumo

El presente trabajo propone el diseño, desarrollo e implementación de un sistema de visión artificial basado en vídeo estéreo, el cual es ejecutado en un sistema embebido, con el fin de identificar a robots humanoides dentro de un área semiestructurada. El sistema embebido utiliza una cámara RealSense de Intel que además de poder obtener distancias hacia los objetos debido a la visión estéreo que posee, es capaz de discriminar información después de un umbral de distancia determinado por el usuario, eliminando los objetos de fondo de la escena y mediante reconocimiento de imágenes basado en una red neuronal convolucional reconoce a robots humanoides dentro de esta. La aplicación del sistema se basa en el concurso Robocup Humanoid League, donde dos equipos de robots juegan fútbol, por lo que además de reconocer a robots humanoides a diferentes ángulos y distancias, el sistema puede clasificar a los robots reconocidos como compañeros o contrincantes (dependiendo del reconocimiento de marcas de color que estos porten), emulando que, a futuro, el sistema propuesto estará montado sobre otro robot humanoide.

Downloads

Não há dados estatísticos.

Referências

«RoboCup Humanoid League» 2020. [En línea]. Available: https://humanoid.robocup.org [Accessed:18 – abril 2021].

«Amazons collaborative robots offer peek into the future» Available: https://www.businesstimes.com.sg/technology/amazons-collaborative-robots-offer-peek-into-the-future Accessed:14 - septiembre - 2021].

«TASKI. The ultimate cleaning machine» [En línea]. Available: https://taski.com/taski-products/swingobot-000/?lang=es [Accessed:14 - septiembre - 2021].

Robocup Federation official website. Available: https://www.robocup.org [Accessed:18 - abril - 2021].

T. Abbas Shangari, S. Sadeghnejad, J. Baltes. «Importance of Humanoid Robot Detection». In: Goswami A., Vadakkepat P. (eds) Humanoid Robotics A Reference. Springer, Dordrecht. 2018: https://doi.org/10.1007/978-94-007-7194-9_141-1

K. Sabe, M. Fukuchi, JS Gutmann, T. Ohashi,K. Kawamoto, T. Yoshigahara. «Obstacle avoidance and path planning for humanoid robots using stereo vision. In obotics and Automation,» 2004. Proceedings. ICRA’04.2004 IEEE International Conference on 2004 Apr (Vol. 1, pp. 592-597). IEEE.

H. Farazi, S. Behnke. «Real-Time Visual Tracking and Identification for a Team of Homogeneous Humanoid Robots,» In Proceedings of 20th RoboCup International Symposium, Leipzig, Germany, July 2016.

TA. Shangari, V. Shams, B. Azari, F. Shamshirdar, J. Baltes, S. Sadeghnejad. «Inter-humanoid robot interaction with emphasis on detection: a comparison study». The Knowledge Engineering Review. 2017 Feb; 32.

J. Mohammad, A. Sina Mokhtardeh, A. Sajjad, S. Saeed, S. Soroush y B. Jacky, «Humanoid Robot Detection using Deep learning: A speed-Acuracy Tradeoff,» Taiwan, 2017.

A. Saxena, S.H. Chung & A. Ng. «3-D Depth Reconstruction from a Single Still Image». Int J ComputVis 76, 53–69 (2008).

I. R. SDK, «pyrealsense2’s documentation,» 2018. [En línea]. Available: https://intelrealsense.github.io/librealsense/python_docs/_generated/pyrealsense2.html.

J. Redmon, S. Divvala, R. Girshick and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779-788, doi: 10.1109/CVPR.2016.91.

M. Mitchel Tom, Machine Learning, McGraw-Hill, 1997

A. Bochkovskiy, C.-Y. Wang y M. L. Hong-Yuan, «arXiv.orgLogin,» 23 Apr 2020. [En línea]. Available: https://arxiv.org/pdf/2004.10934.pdf. [Último acceso: Mayo 2020].

A. Bochkovskiy, «github,» 2020. [En línea]. Available: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137.

R.C. Gonzalez, R. E. Woods. «Digital Image Processing, » Prentice Hall, 3ª edición, 2006.

Siddharth Misra, Yaokun Wu, «Machine learning assisted segmentation of scanning electron microscopy images of organic-rich shales with feature extraction and feature ranking », Machine Learning for Subsurface Characterization, 2020.