Uma arquitetura com persistência visual para o rastreamento de objetos no domínio dos robôs móveis autônomos

Carregando...
Imagem de Miniatura
Citações na Scopus
Tipo de produção
Dissertação
Data
2018
Autores
Ferreira, V. N.
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
FERREIRA, V. N. Uma arquitetura com persistência visual para o rastreamento de objetos no domínio dos robôs móveis autônomos. 2018. 95 p. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2018. Disponível em: <https://doi.org/10.31414/EE.2018.D.129842>. Acesso em: 26 jul. 2018.
Texto completo (DOI)
Palavras-chave
Visão por computador,Detecções múltiplas,Rastreamento de objetos,Filtro de kalman
Resumo
Na atualidade, existe uma grande variedade de robôs autônomos utilizados em diversas áreas, seja para cumprir procedimentos de alto risco ou trazer entretenimento. Os robôs interagem com os mais diversos tipos de objetos, e para que essa seja uma boa interação, existe a necessidade de localizá-los no ambiente. Um exemplo é a liga humanoid da RoboCup, uma competição com robôs autônomos que devem jogar futebol. Para realizar tal tarefa, eles precisam ser capazes de localizar diversos objetos, como bola, robôs e landmarks, através de uma câmera. Mesmo realizando seus movimentos, o robô ainda deve ser capaz de manter a localização destes objetos. O objetivo deste trabalho é definir e implementar um sistema de rastreamento de objetos para o robô humanoide da Fundação educacional Inaciana (FEI), considerando os requisitos da competição que a equipe participa. Para isso, foi remodelada a estrutura do sistema de visão, pois o sistema anterior estava defasado e não realizava a detecção de robôs, somente da bola. Utilizando uma arquitetura de threads, a visão passa a detectar simultaneamente múltiplos objetos e transmitir essa informação para o sistema de rastreamento. Este sistema gera um mapa egocêntrico e, utilizando o filtro de Kalman, realiza o rastreamento do objeto neste mapa, sempre levando em consideração os movimentos do robô e do objeto para fazer a predição da posição, velocidade e aceleração deste objeto. Com a implementação deste novo sistema, espera-se ter uma melhora de desempenho quanto à tomada de decisão, pois as informações de todos os objetos sempre estarão disponíveis, e mesmo quando possivelmente ocorrer uma falha na detecção, ainda haverá a predição.
At present, there is a wide variety of autonomous robots used in many areas, either to comply with high risk procedures or to bring entertainment. Robots interact with the most diverse types of objects, and for this to be a good interaction, there is a need to localize them in the environment. An example is the RoboCup s humanoid league, a competition with autonomous robots that must play football. To accomplish such a task, they need to be able to locate various objects, such as the ball, robots and landmarks, through a camera. Even performing their movements, the robot should still be able to maintain the location of these objects. The objective of this project is to define and implement an object tracking system for the humanoid robot of the Educational Foundation of the Inacian (FEI), considering the requirements of the competition that the team participates. Consequently, the structure of the vision system was redesigned, since the previous system was outdated and did not perform the detection of robots, only of the ball. Using a thread architecture, the view simultaneously detects multiple objects and transmits this information to the tracking system. This system generates an egocentric map and, using the Kalman filter, it traces the object on this map, always taking into account the movements of the robot and the object to predict the position, speed and acceleration of this object. With the implementation of this new system, it is expected to have an improvement in decision-making and performance because the information from all objects will always be available, and even when a detection failure may occur, there will still be a prediction.