机器人辅助生活(、)是另一种支持家庭和专业护理人员照顾老年人的各种可能性。移动机器人的导航是一个具有挑战性的问题,由于环境的不确定性和动态的环境中发现的地方。为了实现这一目标,导航系统试图复制这样一个复杂的过程启发人类的感知和判断。在这项工作中,我们提出一个新颖的产品表面移动、导航控制系统使用人造有机增强控制器与应用策略如埃尔米特光学流(的)和卷积神经网络(cnn)。特别是,埃尔米特是用于障碍运动检测在cnn占据障碍距离估计。我们训练CNN使用视觉特性由超声波传感器引导措施在3 d场景中。我们的应用程序是面向避免使用单眼相机移动和固定障碍在一个模拟的环境。的实验中,我们使用机器人模拟器V-REP,它是一个集成开发环境为分布式控制体系结构。安全性和平滑度指标以及定量评价计算和分析。结果表明,该方法成功地在模拟条件下工作。
如今,有一个戏剧性的人口老龄化的增加。预计60年来的人数将从9.62亿年的2017人增加到14亿年的2030和21亿年的2050
机器人辅助生活(、)是另一种支持家庭和专业护理人员照顾老年人的各种可能性。有许多问题在机器人有很高的潜在社会隔离等援助,减少独立生活,物理和认知障碍,失去流动性,缺少娱乐,和下跌的风险。这些问题能够解决不同机器人的设计分为服务、援助、社会、和康复机器人(
自主导航是一个具有挑战性的问题需要在文化、由于不确定性和动态的环境。机器人必须意识到它与周围的环境和定位自己在所有的时间。因此,机器人导航技能必须包括不同的任务作为感知,探索、映射、定位、路径规划和路径执行(
使用视觉传感器的一个挑战是计算特性的3 d场景的描述,可以使用导航系统。提出了不同的方法来解决这个复杂的问题像单眼和stereovision-based系统。例如,在stereo-based系统,深度可以直接计算与已知的泄漏检测的限制,系统的相机设置,和低速(
在单眼应用程序,方法显示优势对其他方法特别在时空梯度之间的关系
此外,人工智能(AI)被广泛用于导航的机器人辅助生活,获得不同程度的认知:推理、决策、和学习。最近,卷积神经网络(cnn)是用于各种各样的计算机视觉和机器人应用,如深度和距离估计(
受益于人工智能的组合,在文化、视觉感知方法,本文提出一种新颖的产品表面移动机器人导航控制系统使用人造有机控制器增强视力和neural-based策略,即。埃尔米特和CNN使用单眼相机和测试在一个模拟的环境。特别是,埃尔米特是用于障碍运动检测的,而CNN是占据障碍距离估计。实验中,我们使用机器人模拟器V-REP [
这项工作的贡献集中在原始的集成特性和估计对象距离障碍作为控制器的输入。执行对象的估计距离使用CNN。后者是训练使用的特征作为输入,并作为参考使用超声波传感器测量的距离。此外,整个组特征作为输入的自然控制系统基于人工有机控制器。我们开发了我们的方法从先前的研究:系统使用的基本控制器只使用特性(
论文的其余部分安排如下:部分
在本节中,我们目前的相关研究单眼深度估计发现文献中有关。然后,它解释了方法中使用我们的方法,最后,提出了自然控制移动机器人导航系统。
<年代ec我d="sec2.1">单眼深度估计可以解决CNN在两种不同的方式:监督和非监督。例如,无监督方法(包括几种方法讨论
提出了多个应用程序使用监督学习文学。在[
通常,单眼深度估计认为捕获的场景是静态的和持续的深度。在实践中,有一个相机和对象之间的模糊效果。因此,其他方法如去模糊和流需要估计,所示(
机器人导航和定位的一个例子使用单眼深度估计可以在[
是一个二维分布的明显的速度有关,通常,强度模式变化的序列图像,由一个向量场,编码序列图像中每个像素的位移。
有许多方法来获得一个密集的、准确的估计,而众所周知,微分方法克服其他的(
本文的研究方案是基于Moya-Albor et al。
CNN是一个著名的神经网络架构的启发在生物视觉感知的性质(
人造有机控制器(AOC)是一种智能控制策略的目标使用一个方法计算控制律,即fuzzy-molecular推理(FMI)系统(
在机器学习中,安算法是一个监督学习方法启发的内在机制和交互化学碳氢化合物(
在安,处理信息的基本单位是分子。它执行一个输出响应<我nl我ne-formula>
如果两个或更多数量的氢分子小于允许的,也就是说,<我nl我ne-formula>
最后,可以选择不同的化合物,加起来形成复杂的结构叫做混合物。在安,混合行为的线性组合化合物<我nl我ne-formula>
为此,安是使用所谓的安训练算法与详细的文献报道
如前所述,FMI是模糊逻辑的合奏和安
fuzzy-molecular推理系统的框图。
模糊性和模糊推理引擎的步骤非常类似于模糊逻辑。一个输入<我talic>
x我talic>映射到一组模糊集,使用隶属函数。一个推理操作,表示为模糊规则,应用于获取结果值<我nl我ne-formula>
在去模糊化步骤中,它计算的输出值<我nl我ne-formula>
在这项工作中,我们提出一个产品表面AOC控制器移动机器人导航系统实现一个增强的埃尔米特和CNN。特别是,这种方法只需要一个相机安装在机器人,实现这样一个以自我为中心的视觉系统。不需要其他传感器的控制器。图
自然控制系统的框图。
运动对象检测步骤考虑确定的相对位移物体位于机器人执行的前面。这个信息是非常有用的在处理移动障碍。计算估计的对象在一个图像的相对位移,埃尔米特的方法以类似的方式,提出了(
首先,两个相邻的灰色图像,<我nl我ne-formula>
对象的距离估计步骤考虑确定机器人的距离从一个对象使用一个相机。然而,计算这个值在一个图像是一项非常具有挑战性的任务
为此,相同的两张图片<我nl我ne-formula>
CNN的卷积层<我nl我ne-formula>
CNN拓扑对象的距离估计方法。
最后一步自然控制系统的控制律计算AOC使用。如图
输入隶属函数AOC的:(一)意味着相对水平位移,(b)意味着相对垂直位移,和(c)距离估计。
此外,表
AOC模糊规则的移动机器人导航。
|
|
|
|
|
|
|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AOC输出分子分区速度计算的两个轮子<我nl我ne-formula>
为了验证我们的提议自然AOC控制器移动机器人导航系统实现一个增强的埃尔米特和CNN,我们独立开发一组实验证明系统的每个组件以增量的方式。这些实验测量的输出响应(我)避免移动障碍的埃尔米特,(2)避免移动障碍以及免费使用AOC的埃尔米特和导航,(3)避免使用CNN一个固定的障碍,和(iv)避免固定和移动障碍以及免费使用整个自然控制器提出了系统导航。
在这部作品中,机器人导航性能的评价客观,计算与安全相关的一些指标和平滑控制导航的反应。三个安全性指标用来评估机器人轨迹之间的距离和障碍物的位置
SM1:它测量机器人的轨迹之间的平均距离最近的障碍。
SM2:它测量机器人的轨迹之间的最小距离和平均距离的障碍。
SM3:它测量最小距离对机器人的轨迹最接近的障碍。
安全指标,更大的索引值代表一个更好的行为在机器人导航,因为它们直观地测量机器人的安全距离位于远离障碍。
此外,三个平滑指数是用来间接评估decision-action之间的一致性关系的控制导航机器人和应对事件的能力有足够的速度(
考虑弯曲能量随时间的平滑度指标(<我nl我ne-formula>
最后,曲率平滑(<我nl我ne-formula>
对于平滑度指标,较小的值接近于零代表平滑轨迹的曲率和更少的能量性能。
<年代ec我d="sec3.1">第一个实验的目的是测量的输出响应避免使用实时埃尔米特移动障碍。图
场景为测试开发避免移动障碍(绿色和蓝色机器人)。
简而言之,两个连续的图像获取和计算得到的埃尔米特的相对水平位移分解<我nl我ne-formula>
引导到左边
引导到正确的
前进
在图
输出响应使用实时埃尔米特的方法。(一)目标机器人的轨迹:5(虚线)和尝试意味着(红色线);(b)的速度表示目标机器人轨迹(黑色线)。
输入(<我nl我ne-formula>
此外,安全性和平滑度总结在表索引
安全性和平滑指数的机器人导航使用实时的埃尔米特。
| 尝试 |
|
|
|---|---|---|
| 1 | ||
| 2 | ||
| 3 | ||
| 4 | ||
| 5 | ||
| 的意思是 |
为此,在这个实验中,目标机器人没有撞上任何移动的障碍在所有的尝试。
年代ec><年代ec id="sec3.2">一个OC使用实时埃尔米特和推断的距离,从CNN训练步骤,作为输入,我们测试了轮式机器人,使其可以自由浏览的环境中避免障碍。
图
场景为测试开发避免移动障碍(蓝色机器人)。
输出轨迹在使用RT-HOF AOC和图所示
使用AOC RT-HOF和输出响应。(一)目标机器人的轨迹:5(虚线)和尝试意味着(红色线);(b)的速度表示目标机器人轨迹(黑色线)。
输入(<我nl我ne-formula>
在安全方面和平滑指数、表
安全性和平滑指数使用AOC RT-HOF和机器人导航。
| 尝试 |
|
|
|---|---|---|
| 1 | ||
| 2 | ||
| 3 | ||
| 4 | ||
| 5 | ||
| 的意思是 |
再次,在这个实验中,目标机器人没有撞上移动尝试所有的障碍。
年代ec><年代ec id="sec3.3">这个实验包括拟议中的CNN distance-object估计模型的以自我为中心建立的机器人。CNN是从头开始训练使用的数据(<我nl我ne-formula>
为此,CNN的使用对被训练的<我nl我ne-formula>
之后,均方根误差(RMSE)从方程(
因此,在图
场景为测试开发避免固定障碍(气缸)。
输出轨迹在使用CNN-based距离估计模型如图
输出响应使用CNN-based距离估计方法。(一)目标机器人的轨迹:5(虚线)和尝试意味着(红色线);(b)的速度表示目标机器人轨迹(黑色线)。
输入(<我nl我ne-formula>
在安全方面和平滑指数、表
安全性和平滑指数的机器人导航使用CNN-based估计方法。
| 尝试 |
|
|
|---|---|---|
| 1 | ||
| 2 | ||
| 3 | ||
| 4 | ||
| 5 | ||
| 的意思是 |
最后一个实验的目的是测量的输出性能提出了避免产品表面控制系统固定和移动环境障碍和免费的导航。图
场景为测试开发的避障和免费导航。
图
使用该产品表面控制系统输出响应。(一)目标机器人的轨迹:5(虚线)和尝试意味着(红色线);(b)的速度表示目标机器人轨迹(黑色线)。
此外,图
输入(<我nl我ne-formula>
我们测量的安全性和平滑轨迹,如表所示
安全性和平滑指数的机器人导航使用该产品表面控制系统。
| 尝试 |
|
|
|---|---|---|
| 1 | ||
| 2 | ||
| 3 | ||
| 4 | ||
| 5 | ||
| 的意思是 |
值得重视的是说机器人的视觉可能不止一个对象时,增加的难度确定最佳动作的机器人。为此,目标机器人没有碰撞的尝试进行这个实验,验证了该控制器可以实现避免障碍和免费导航场景既有固定和移动的障碍。
年代ec><年代ec id="sec3.5">在这项工作中,我们估计距离的物体,而不是场景的深度图在几项研究的文献报道。对于这个任务,我们使用单眼相机来推断和物体运动的距离与高度的应用程序使用立体视觉系统计算资源消耗。我们的建议的一个优点是使用两种措施(运动和距离),允许避免固定和移动的障碍。此外,我们的方法需要较少的数据来训练距离估计和没有领域的训练数据计算,相比之下的CNN的方法。
这些认知策略的使用补充机器人控制,在机器人视觉与传统的应用程序。因此,这是第一次,CNN训练进行了使用超声波传感器。此外,AOC是处理不确定信息,如估计实现的输入,给控制系统的鲁棒性。直接控制策略使用的功能不需要地图的路径规划深度。
建议的方法的一些缺点如下:(1)该方法没有考虑多个场景中的对象,所以需要补充治疗。(2)在实验中,我们使用机器人模拟器V-REP再现现实世界的条件很准确,但是在现实条件下进一步调查是必要的。
年代ec>年代ec>在本文中,我们提出了自主导航系统、应用。我们提出了一个集成的系统包括一个视觉传感器,实时的埃尔米特,CNN距离估计引入到智能机器人控制器基于法定产地。我们使用的运动估计和CNN距离推理对象,使这个应用程序适合避免固定和移动目标。特别是,我们使用单眼相机对整个任务。
我们做了四个实验来测试不同的场景:只使用移动障碍,和开关控制的结合,无论AOC CNN-based距离估计和固定障碍,和集成,AOC CNN-based距离估计,。仿真结果在V-REP软件和结果证明我们的方法是有用的避障和航行自由。在所有测试场景中,从来没有一个使用我们的建议与物体碰撞。定量分析了使用安全性和平滑度指标应用于控制导航反应。AOC这些定量指标表明,使用策略可以避免障碍在一个舒适的方式,以最小的突然变化的轨迹。为此,实验证实,单眼相机可以应用机器人导航任务。
该方法成功地结合了bioinspired方法,CNN距离推理技术和新颖的混合模糊逻辑和人工烃网络控制器系统。这种集成松散模拟高视觉认知策略,允许从以自我为中心的观点分析整体信息的移动机器人。
作为未来的工作,我们将测试我们的方法在真实情景中、为了提高移动机器人的导航性能的动态环境中通常发现的背景下,老年人的地方。
年代ec>这项工作中所使用的数据集被作者收集,也可以找到
作者宣称没有利益冲突有关的出版。
年代ec>这项研究是由大学Panamericana通过授予“持有la Investigacion 2018”项目代码- ci - 2018 - ing - mx - 05。