Navegacion autonoma reactiva en pasillos usando el punto de fuga

Seminario de Mecatrónica UAO 2010 1 Navegación autónoma reactiva en pasillos usando el punto de fuga Alejandro M. Pustowka*, Eduardo F. Caicedo robots dotados de sistemas de visión artificial, debido a la Abstract— Este artículo presenta una estrategia de cantidad de información que una cámara puede extraer del navegación para robots en entornos estructurados, entorno, y gracias también al acelerado desarrollo de específicamente pasillos y corredores, usando visión y plataformas hardware para un rápido procesamiento de los procesamiento de imágenes para identificar el punto de fuga, datos. Es natural entonces encontrar estrategias basadas en característica propia de la perspectiva paralela. Se ha utilizado detección de marcas en el terreno, tanto artificiales como una arquitectura basada en comportamientos con el fin de posibilitar la integración de otras tareas y estrategias asociadas naturales, que le permiten al robot tener una referencia con a la navegación, como la evasión de obstáculos, fortaleciendo así la cual corregir su localización y facilitar las tareas de la modularidad y escalabilidad de la propuesta. navegación. Específicamente en entornos estructurados, es posible aprovechar las características inherentes de este tipo Index Terms— Robótica, visión artificial, perspectiva, punto de ambientes para identificar marcas naturales. Un ejemplo de fuga, navegación, localización. claro de ello es el punto de fuga, que brevemente se puede definir como el punto en el horizonte infinito hacia donde tienden las líneas paralelas del entorno. Este efecto es una I. INTRODUCCIÓN característica de la técnica de perspectiva, que consiste en L a tarea de navegación en robótica móvil es un tema bastante explorado, puesto que no es una tarea trivial para ser resuelta por sistemas autónomos. La navegación dotar de sensación de profundidad a imágenes en 2D. El trabajo descrito en este artículo consiste en la navegación autónoma de un robot móvil diferencial a través involucra una interacción del robot con el entorno, por lo que de pasillos, guiado exclusivamente por el punto de fuga las labores de control se dificultan ya que no dependen encontrado en la imagen proveída por una cámara a bordo exclusivamente del estado interno del robot (información del robot. Se utiliza odometría para la tarea de localización y propioceptiva); es necesario conocer la respuesta del entorno una arquitectura de control reactiva, basada en el paradigma a estas interacciones (información exteroceptiva). Sin de comportamientos. El punto de fuga se utiliza como embargo para ello será necesario modelar el entorno, que de referencia en la tarea de navegación. El artículo se encuentra por sí es complejo y además dinámico, cambiante en el organizado de la siguiente manera: En antecedentes se tiempo. Por otro lado, la tarea de navegación involucra resumen los trabajos realizados en la misma área. La sección también conocer a priori la localización del robot, la cual es tres presenta el método utilizado para hallar el punto de fuga otra tarea compleja de resolver. Debido a esto existen mediante técnicas de procesamiento de imágenes. La sección diversas estrategias que han sido planteadas para la tarea de cuatro define la técnica de navegación utilizada a partir del navegación. Esquemas basados en el estado interno del robot punto de fuga encontrado. La sección cinco describe la como la odometría no resultan eficientes y robustos debido a plataforma de experimentación utilizada para validar la los errores acumulativos de este tipo de sistemas. Sin estrategia, y las pruebas y experimentos realizados se embargo son métodos sencillos de implementar y además de muestran en la sección siguiente. El artículo finaliza con las bajo costo. Se observa por lo tanto un enfoque en el que se secciones siete y ocho, donde se tratan las observaciones y utilizan estrategias para mejorar el desempeño de estos conclusiones del trabajo realizado, y se define el trabajo sistemas odométricos a partir de información de otras fuentes futuro. sensoriales. Esto motiva a usar referencias externas como base para corregir lecturas de los sistemas odométricos. Así, II.ANTECEDENTES se aprovecha información exteroceptiva para fortalecer la La utilización del punto de fuga no es una estrategia nueva localización basada en información propioceptiva. para las tareas de navegación de un robot móvil. Existen El uso de visión artificial se ha vuelto frecuente para diversos trabajos en la literatura que presentan esta estrategia implementar estas estrategias. En la actualidad es común ver para la navegación en entornos estructurados [1][7], así como navegación a partir de marcas naturales en el terreno [2][3]. Artículo enviado el 12 de Abril, 2010.  Los enfoques comúnmente utilizados encuentran el punto Alejandro M. Pustowka es estudiante de Maestría en la Escuela de de fuga aprovechando los altos contrastes de la escena. Es Ingeniería Eléctrica y Electrónica de la Universidad del Valle, Cali, Colombia, y pertenece al grupo de Investigación "Percepción y Sistemas Inteligentes" de posible identificar entonces líneas en el entorno, para lo cual la misma universidad (e-mail: alejandro.pustowka@gmail.com). es necesario en primer lugar aplicar un algoritmo de Eduardo F. Caicedo está con la Escuela de Ingeniería Eléctrica y detección de bordes. Esta tarea se realiza por lo general Electrónica de la Universidad del Valle, Cali, Colombia, y es el director del grupo de investigación "Percepción y Sistemas Inteligentes" de la misma usando el filtro Canny, tal y como se muestra en [1]. Sin universidad (e-mail: ecaicedo@univalle.edu.co).

Seminario de Mecatrónica UAO 2010 2 embargo existen otras técnicas, como en [2], en donde se La definición del punto de fuga da ciertos lineamientos utiliza un algoritmo de análisis de texturas para establecer la para definir el método de búsqueda a partir de procesamiento orientación de las mismas y posteriormente, mediante un de imágenes. Es necesario extraer las líneas de la imagen, sistema de votación, elegir el punto de fuga a partir de los hallar sus puntos de cruce, para finalmente encontrar el punto cruces de orientaciones. Se puede entonces evidenciar que de mayor concentración de cruces, donde estará localizado el los algoritmos comúnmente se ejecutan en dos etapas. La punto de fuga. primera etapa permite extraer ciertas características del terreno que permitan inferir la perspectiva de la escena. El método aquí planteado consta de las siguientes etapas: Posteriormente se calculan los cruces o densidades de estas características, asumiendo que el punto de fuga se encuentra 1. Adquisición de la imagen. en la zona de mayor concentración de estos puntos. En [1] la 2. Detección de bordes. segunda etapa (identificación del punto de fuga) se calcula de 3. Extracción de líneas. manera iterativa, encontrando el promedio de los puntos de 4. Selección de líneas válidas. cruce y posteriormente evaluando para cada punto que tan 5. Identificación de puntos de cruce. alejado está del promedio. Si este valor sobrepasa un límite, 6. Identificación del punto de fuga el punto es descartado y el promedio es calculado nuevamente. Este proceso se repite hasta alcanzar una A continuación se describen brevemente estas etapas. convergencia de distancias mínimas aceptable. En [4] y [5] A. Adquisición de la imagen se aplica RANSAC para hallar el punto de fuga, el cual es un método iterativo que permite obtener los parámetros de un Esta etapa es completamente dependiente de la modelo matemático a partir de datos que contienen valores implementación hardware que se tenga del sistema. En la atípicos (denominados outliers) [10]. Por otro lado, la sección cinco se describen los recursos utilizados en este transformada de Hough puede aplicarse iterativamente para proyecto y se plantea el proceso definido para obtener la hallar puntos de cruce, tal y como se muestra en [6]. Sin imagen en formato digital JPEG. La frecuencia de embargo esta técnica se debe utilizar con cuidado, ya que la adquisición tiene gran influencia en el desempeño de esta transformada de Hough es un algoritmo que puede consumir estrategia de navegación, por lo que una pobre tasa de más recursos que las técnicas iterativas anteriormente cuadros por segundo implicará fluctuaciones en la trayectoria presentadas. del robot. III. CÁLCULO DEL PUNTO DE FUGA B. Detección de Bordes Los bordes corresponden a las componentes de alta El punto de fuga es una característica propia de la técnica frecuencia de la imagen. Se ha utilizado el filtro Canny para conocida como perspectiva, que consiste en la representación implementar la detección de bordes. Este filtro actúa sobre gráfica que otorga la sensación de profundidad a imágenes imágenes en escala de grises, por lo que es necesario realizar 2D. Específicamente la denominada Perspectiva frontal o una transformación del espacio de color de la imagen de la paralela es la que resulta de interés en este trabajo, debido a anterior etapa. El filtro de Canny utiliza tres parámetros que que define un único punto de fuga en la imagen, al cual definen el comportamiento del algoritmo [12]. Dos de los confluyen todas las líneas paralelas en dirección al horizonte. parámetros se definen heurísticamente, el límite inferior y La fig. 1 ilustra este efecto. La perspectiva está presente en superior. El tercero, que consiste en la ventana de la imágenes tomadas de una cámara, debido a que éstas son una convolución gaussiana, se establece en 3 (ventana de 3x3) fiel representación en 2D de una escena 3D. Por lo tanto, en con el fin de limitar la carga computacional del algoritmo. El entornos estructurados es posible utilizar el fenómeno de filtro entrega una imagen binarizada, señalando los bordes perspectiva en donde estén presentes formas regulares de identificados. objetos. C. Extracción de líneas Sobre la imagen binaria de la anterior etapa se aplica un algoritmo de extracción de características para identificar las líneas presentes. Se ha utilizado la transformada de Hough [12], que identifica líneas en la imagen y las modela a partir de dos parámetros (ρ y θ) que permiten calcular la ecuación de la recta con respecto al origen, como se muestra en la fig. 2. Esta etapa retorna un arreglo de parámetros que modelan las rectas existentes en la imagen. Fig. 1. Punto de fuga en perspectiva frontal [9]

Seminario de Mecatrónica UAO 2010 3 desde un simple promedio aritmético de la posición de los cruces, hasta la estrategia que mejor resultados entregó, que consistió en una función de costo a partir de la distancia entre cruces. El promedio aritmético de posición de cruces fue inmediatamente descartado como una estrategia válida, ya que presenta muchos errores cuando aparecen líneas que no cruzan por el punto de fuga. Por lo tanto, se aplicó una segunda estrategia, que consistió en un promedio iterativo junto con un índice de fidelidad del promedio. El índice aumenta por cada cruce que entra a formar parte del promedio, si este cruce se encuentra en la vecindad del Fig. 2. Modelo de línea obtenido por la promedio. Por el contrario, el índice disminuye por cada transformada de Hough cruce que se encuentre por fuera de la vecindad del promedio. En caso de que el índice alcance un valor muy D. Selección de líneas válidas bajo, el promedio se inicializa nuevamente con el siguiente Una vez identificado las líneas en el algoritmo, se procede cruce. Este método se basa en que la mayor densidad de a clasificarlas, para eliminar aquellas que no aporten a la cruces se encuentra en la vecindad del punto de fuga. Se definición del punto de fuga de la imagen. Para ello, se han asume también que existen suficientes cruces, de tal manera descartado líneas horizontales y verticales, puesto que en que se presente convergencia. Este método entregó mejores términos generales son las que menos aportan a la resultados que el promedio aritmético simple, sin embargo no identificación de perspectiva. Este procedimiento se ha era suficientemente preciso y robusto. El tercer y último realizado comparando el ángulo de la línea con respecto al método otorgó los mejores resultados. Se utilizó una función eje x de la imagen, que corresponde al ancho de la misma. de costo, asociada a la distancia de un punto en la imagen En (1) y (2) se puede observar la clasificación realizada, en con respecto a todos los puntos de cruce. El punto de fuga donde θli representa el ángulo de la línea i-ésima del arreglo deberá estar localizado en el punto en donde existe la menor de líneas identificadas. Se observa que para la clasificación distancia a los puntos de cruce; esto asumiendo nuevamente se utiliza un rango de ángulos, definido por un límite m. Este que la mayor densidad de puntos de cruce se encuentra en la límite también es seleccionado por heurística. vecindad del punto de fuga. Ya que verificar todos los puntos de la imagen resulta computacionalmente costoso (en una 0 ° m l 90 °−m (1) i imagen de 640x480 esto equivale a 307.200 x número de cruces), se asume que el punto de fuga se encuentra en −90° m l 0° −m (2) i alguno de los puntos de cruce encontrados. Por lo tanto, resta encontrar el punto de cruce cuya función de costo sea menor. Esta etapa retorna un arreglo conteniendo únicamente las Cada punto de cruce es una dupla x-y como lo muestra (4). líneas consideradas válidas. C i= x i , y i (4) E. Identificación de puntos de cruce Con las líneas válidas se procede a encontrar los puntos de La función de costo asociada al punto de cruce Ci se cruce entre líneas. Es necesario realizar una preselección de calcula de acuerdo a (5). Es necesario calcular la distancia los puntos de cruce. Sólo serán válidos los cruces de líneas entre puntos, según (6). cuyas diferencias en ángulo sean mayores a un límite n predeterminado, denominado p. De esta manera se corrige el efecto de puntos de cruce generados por múltiples líneas que f C =∑ dist C i ,C k  i (5) k=1 aparecen para un solo borde detectado. (3) ilustra la evaluación realizada a la diferencia de los ángulos de las líneas i-ésima y k-ésima. dist  P 1, P 2 =  x P1−x P2 2  y P1 − y P22 (6) ∣l −l ∣ p i k (3) En la función de costo (5) n representa el número total de cruces que existen en la imagen. El punto C i cuya función de costo asociada sea la menor será el seleccionado como el Asimismo, los cruces producidos por fuera de los rangos punto de fuga Cvp, tal como lo muestra (7). de la imagen son descartados. Esto implica que solamente se considerarán los puntos de fuga que se encuentren en la imagen, no fuera de ella. Esta etapa entrega entonces un C vp =C i , min  f C  i (7) arreglo con las coordenadas de los puntos de cruce válidos. Si el punto de fuga no es correctamente detectado (por ejemplo en el caso en que no se hayan detectado líneas o F. Identificación del punto de fuga cruces en la imagen) el algoritmo devolverá la posición (-1,- En esta etapa se probaron diferentes estrategias, partiendo 1), un punto por fuera de las coordenadas de la imagen, y

Seminario de Mecatrónica UAO 2010 4 esta medida no será tomada en cuenta en las técnicas de los cruces, en donde se pueden ver éstos en color verde, y el punto de fuga calculado en color azul. (f) es la imagen final en donde se encuentra navegación descritas posteriormente. localizado el punto de fuga del pasillo. Adicionalmente a calcular el punto de fuga, se han establecido unas métricas para estimar la fidelidad de la IV. NAVEGACIÓN REACTIVA A PARTIR DEL PUNTO DE FUGA medida del punto de fuga. Para ello se ha utilizado una función de costo q, modelada según (8). La arquitectura de control utilizada para lograr la navegación del robot está basada en comportamientos q vp=k 1⋅nk 2 z (8) reactivos. La estrategia a seguir para lograr navegación autónoma usando el punto de fuga ha sido la de mantener Donde n es el número total de cruces que existen en la éste en el punto medio del ancho de la imagen. Se han imagen, y z el número de cruces que se presentan en la establecido dos enfoques para el control. El primero de ellos vecindad del punto de fuga que se calcula según (9) y (10). es reactivo puro, en el cual se definen dos comportamientos para el robot, forward (ir adelante) que genera un vector de n movimiento en la dirección de orientación del robot, y un z=∑ V C k  (9) comportamiento que utiliza la localización del punto de fuga, k=1 denominado VPmaintain, que genera un vector de movimiento en la dirección que permita mantener el punto de V C k = {1, si dist C i , C k D max 0, si dist C i , C k D max } (10) fuga en el punto medio del ancho de la imagen. Este enfoque no utiliza la odometría del robot para tareas de localización. El robot se guía exclusivamente por el punto de fuga. El segundo enfoque es más robusto en cuanto a que uno Dmax en (1) representa una constante establecida por el de los comportamientos (VPmap) realiza un mapeo del punto usuario. de fuga en el plano coordenado del robot, siempre a una distancia fija con respecto a la posición del robot. Este punto La fig. 3 ilustra gráficamente las etapas del algoritmo se utiliza entonces como atractor, y se emplea el previamente descrito. comportamiento GoToPoint (ir a punto) para la navegación. Ya que constantemente este punto se esta actualizando, conforme se detecte el punto de fuga, el robot no alcanzará este punto hasta que deje de ser efectivamente detectado. Las pilas de comportamiento para los dos enfoques previamente descritos se pueden observar en la fig. 4. (a) (b) (a) (b) (c) (d) Fig. 4. Pila de comportamientos de los dos enfoques. (a) reactivo puro, (b) reactivo con localización por odometría y mapeo del punto de fuga. La implementación de los dos comportamientos concernientes con el punto de fuga, VPmap y VPmaintain se explican a continuación. A partir del punto de fuga encontrado (11) , se calcula la distancia de su coordenada x con respecto al centro de la imagen, y se divide por la distancia en pixeles al centro de la imagen, como se muestra (e) (f) Fig. 3. Cálculo del punto de fuga, donde (a) es la imagen original, (b) es la en (12). La coordenada y no es tomada en consideración. De imagen luego de aplicar un filtro Canny para extracción de bordes, (c) es la esta manera se obtiene un vector de 0 a 1, donde 1 representa imagen luego de aplicar transformada Hough para hallar líneas en la imagen, la máxima distancia a la que puede estar el robot con (d) resulta luego que se han filtrado las líneas horizontales y verticales y se han calculado los cruces e intersecciones de líneas, (e) es un acercamiento a respecto del punto de fuga. Este vector es el utilizado por el

Seminario de Mecatrónica UAO 2010 5 comportamiento VPMaintain para generar las acciones escrito en Java usando la librería Javaclient2 [11] y se ejecuta motoras necesarias para mantener el punto de fuga en el desde un computador remoto mediante Wifi, ya que la centro de la imagen. plataforma robótica cuenta con esta interfaz de C vp = u , v (11) comunicación. Además el robot posee una cámara web Logitech Quickcam Pro 9000 conectada a través del puerto w USB, la cual tiene capacidad para codificar imágenes en −u 2 2u JPEG, acelerando la tasa de cuadros por segundo (hasta 25 r= =1− (12) w w cuadros por segundo). Las imágenes capturadas son enviadas al computador usando streaming HTTP, a una tasa de 20 2 cuadros por segundo. La fig. 7 ilustra el robot utilizado. El vector generado a partir del valor de r se puede observar en la fig. 5 (primer vector en la tabla). Para el comportamiento VPmap son necesarios unos pasos adicionales. A partir de la posición del robot con respecto de su punto de referencia (obtenida por odometría) se mapea el punto de fuga a una distancia predefinida. Conforme el algoritmo de visión detecte el punto de fuga, este punto será actualizado en el mapa y se irá moviendo, manteniendo siempre una distancia fija con respecto a la posición del robot. En el momento que el punto de fuga deje de ser detectado, el robot llegará al último lugar donde fue mapeado (a) (b) Fig. 7. Robot NXBot de la Universidad del Valle el punto de fuga. La fig. 5 y 6 ilustran esta situación. Finalmente el algoritmo de visión usado para localizar el punto de fuga utiliza las librerías cURL para capturar la imagen enviada a través de streaming HTTP, y OpenCV para el respectivo procesamiento de imágenes. Esta interfaz se encuentra escrita en C/C++, por lo que fue necesaria una comunicación a través de sockets para compartir información entre la interfaz de procesamiento de imágenes y la librería de control del robot, escrita en Java. Para las etapas de simulación se utilizó el simulador Stage que hace parte de la suite Player/Stage [8]. VI. PRUEBAS REALIZADAS Las pruebas fueron realizadas en los pasillos de la Escuela de Ingeniería Eléctrica y Electrónica de la Universidad del Fig. 5. Localización del punto meta a partir del punto de fuga detectado Valle. Los valores ajustados para el algoritmo de detección fueron los siguientes: • Límites del filtro Canny: 50 (min) y 100 (máx). • Factor m de selección de líneas: 10°. • Factor p para identificación de puntos de cruce: 18°. • Distancia fija del punto de fuga con respecto a la posición del robot: 2 metros. • Cuadros por segundo en la etapa de adquisición: 5. • Tamaño de la imagen: 640x480. • Zona muerta para el control de posición: +- 10° Se hicieron varias pruebas en tres pasillos y a diferentes Fig. 6. Vector de dirección calculado a partir del punto de fuga horas, sin realizar modificación alguna en el entorno. Para probar el primer enfoque, que era reactivo puro, fue V. PLATAFORMA DE EXPERIMENTACIÓN necesario colocar el robot de tal manera que el punto de fuga apareciera en la imagen. Esto con el fin de que el robot Para las tareas de experimentación se usó la plataforma percibiera desde el inicio el punto de fuga y fuera capaz de robótica NXBot de la Escuela de Ingeniería Eléctrica y realizar las acciones de control necesarias para la tarea de Electrónica de la Universidad del Valle. El robot cuenta con navegación. Para el otro enfoque no es necesario localizar el un Sistema Operativo Linux y ejecuta el servidor Player de robot de tal manera que identifique inicialmente el punto de interfaces robóticas [8]. El cliente de control se encuentra fuga, pero si es necesario que el primer punto atractor

Seminario de Mecatrónica UAO 2010 6 definido para el comportamiento GoToPoint se encuentre lejos del robot. Cuando estos objetos ocupan gran parte del localizado en el área del pasillo. Se han graficado los datos campo visual de la cámara (oclusión del campo visual), el de la posición del punto de fuga con respecto al centro de la algoritmo fracasará después de un determinado tiempo, al ser imagen para calcular el error de posición. La fig. 8 ilustra incapaz de detectar las líneas necesarias para detectar el estos resultados. Se ha colocado un único ejemplo ya que los punto de fuga. resultados de los dos métodos son similares, siempre y Gracias a la arquitectura utilizada, es posible añadir cuando se cumplan con las restricciones anteriormente nuevos comportamientos para que el robot realice otras planteadas. Se observa que, una vez el robot se ha orientado tareas, como por ejemplo evasión de obstáculos, entre otras. con respecto al punto de referencia, mantiene esta orientación con una desviación estándar aproximada de 35 VIII.TRABAJO FUTURO px., y es capaz de recuperarse frente a disturbios externos Los resultados satisfactorios de este trabajo permiten (fig. 8). La zona muerta en la gráfica define las orientaciones pensar en una fusión de este método con la información de en las que el control de posición no actúa. Se ha inducido un un mapa a priori del lugar. De esta manera, es posible disturbio, que no es más que una fuerza externa aplicada corregir la odometría, al poder definir referencias en el mapa sobre el robot, obligándolo a seguir otra trayectoria. Se y contrastar con las posiciones facilitadas por el sistema observa que el control de orientación permite que el robot odométrico. Aún más, es posible utilizar la localización del vuelva a su punto de referencia. punto de fuga para estimar las variaciones de orientación del robot, también con el fin de corregir la odometría, ya que ésta presenta los errores más elevados en la variable de orientación. Por otro lado, en este las pruebas hasta el momento realizadas no se ha utilizado aún la medida de fidelidad de detección del punto de fuga, lo cual puede fortalecer el algoritmo. AGRADECIMIENTOS Alejandro M. Pustowka agradece a la Universidad del Valle y a Colciencias (Departamento Administrativo de Fig. 8. Error de posición con respecto al centro de la imagen Ciencia, Tecnología e Innovación) por la beca No. p-2008- 0930 otorgada a través del programa "Jóvenes VII. OBSERVACIONES Y CONCLUSIONES Investigadores". Los dos enfoques, VPMaintain/Forward y VPMap/GotoPoint funcionaron correctamente. El robot fue REFERENCIAS capaz de navegar a través de los pasillos probados. Sin [1] Bayramoglu Enis, Andersen Nils Axel, Poulsen Niels Kjølstad, Andersen Jens Christian, Ravn Ole , "Mobile Robot Navigation in a embargo el segundo enfoque (mapeo del punto de fuga y Corridor Using Visual Odometry", Prooceedings of the 14th localización por odometría) fue mucho más robusto que el International Conference on Advanced Robotics, 2009. primero, debido a que éste no es afectado por las situaciones [2] Rasmussen Christopher, "RoadCompass: following rural roads with vision + ladar using vanishing point tracking", Autonomous Robots, en las que el punto de fuga no es detectado, ya que recuerda 2008. el último punto detectado, mapeado en su plano coordenado. [3] Rasmussen Christopher, "Texture-based vanishing point voting for road El algoritmo de detección por su parte demostró suficiente shape estimation", Darpa grand Challenge, 2004. [4] Se Stephen, "Zebra-crossing Detection for the Partially Sighted", robustez, ya que luego de afinados los parámetros, no fue Computer Vision and Pattern recognition, 2000. necesario modificarlos más, aún cuando se utilizara el [5] Se Stephen, Brady M., "Vision-based detection of staircases", Fourth sistema en otro pasillo, o se trabajara con poca luz. Además, Asian Conference on Computer Vision ACCV 2000, 2000. [6] Tuytelaars Tinne, Proesmans Marc, Van Gool Luc, Mi Esat, "The el sistema es robusto frente al cambio dinámico en la imagen, Cascaded Hough Transform", In Proceedings of ICIP, 1998. debida a objetos en movimiento en el campo de vista. Las [7] Kasprzak Wlodzimierz, Niemann Heinrich, Wetzel Dirk, "Adaptative pruebas fueron realizadas en jornada estudiantil, por lo que road Parameter estimation in monocular image sequences", Proceedings of the conference on British machine vision, 1994. hubo circulación de personal. Esto no afectó al algoritmo, [8] Collett Toby H. J., MacDonald Bruce A., Gerkey Brian, "Player 2.0: como se puede observar en las gráficas de la anterior sección. Toward a Practical Robot Programming Framework", Proc. of the La velocidad de procesamiento del algoritmo, así como la Australasian Conf. on Robotics and Automation (ACRA), 2005 [9] "Descripción gráfica del punto de fuga en perspectiva paralela " [online] capacidad de respuesta del control están intimamente ligados http://www.kalipedia.com/kalipediamedia/ingenieria/media/200708/22/t con la tasa de cuadros por segundo en la etapa de ecnologia/20070822klpingtcn_173.Ges.SCO.png adquisición, el tamaño de la imagen procesada y la zona [10] "RANSAC: Random Sample Consensus" [online] http://en.wikipedia.org/wiki/RANSAC muerta definida para la variable de orientación del robot. [11] "Javaclient for Player/Stage" [online] http://java-player.sourceforge.net/ Una mayor tasa de cuadros por segundo y una imagen de [12] Shapiro, L. and Stockman, G., "Computer Vision", Prentice Hall, pp. menor resolución tienen un impacto positivo en la duración 326-338, 2001. del algoritmo. Una zona muerta mayor genera mayores oscilaciones en el control de orientación. Los errores presentados son mínimos siempre y cuando los objetos dinámicos detectados en el campo visual se muevan

Navegacion autonoma reactiva en pasillos usando el punto de fuga

by alepusto on Nov 21, 2010

Accessibility

Categories

Tags

Upload Details

Usage Rights

1 Embed 24

Statistics

Navegacion autonoma reactiva en pasillos usando el punto de fuga — Document Transcript