Αναγνώριση αντικειμένων και πλοήγηση μη επανδρωμένου οχήματος (drone) με τεχνικές βαθιάς μάθησης

• Κύριος συγγραφέας: Δαραμούσκας, Ιωάννης
• Άλλοι συγγραφείς: Daramouskas, Ioannis
• Γλώσσα: Greek
• Έκδοση: 2020
• Θέματα: Μηχανική μάθηση; Ρομποτική; Machine learning; Robotics

Έχουμε αναπτύξει ένα σύστημα, χρησιμοποιώντας το Parrot Bebop 2.0 [1], το οποίο πλοηγείται στον κόσμο της προσομοίωσης, εντοπίζοντας και αναγνωρίζοντας εμπόδια, που βρίσκονται σε αυτόν. Η διαδικασία πλοήγησης του drone περιγράφεται πλήρως, ο τρόπος που διαβάζει δεδομένα από τους αισθητήρες και η λήψη απόφασης για το πως θα κινηθεί προς τις συντεταγμένες που του έχει ζητηθεί να μεταβεί. Το σύστημα βασίζεται στο Ρομποτικό Λειτουργικό Σύστημα ROS [2] και το Bebop_ autonomy [3] χειρίζεται την επικοινωνία με το drone. Ο κόσμος της προσομοίωσης θεωρείται γνωστός, δηλαδή έχουμε πλήρη γνώση για τις τοποθεσίες των αντικειμένων που βρίσκονται σε αυτόν και έχει χρησιμοποιηθεί η προσομοίωση του Ros [2] Gazebo Sphinx, που δίνει τη δυνατότητα να χρησιμοποιήσουμε εικονικά το πραγματικό μοντέλου του drone. Παρουσιάζουμε ένα ολοκληρωμένο σύστημα πλοήγησης που εκμεταλλεύεται την πληροφορία του γνωστού κόσμου και οδηγεί το drone σε βέλτιστα και ασφαλή μονοπάτια για να εκτελέσει τις αποστολές του. Το σύστημα βασίζεται στον αλγόριθμο ευρετικής αναζήτησης A* και συνδυάζεται με κλειστού βρόγχου έλεγχο, όσο το drone επικοινωνεί με τον υπολογιστή μέσω του framework Ros. Από την πειραματική διαδικασία αποδείξαμε πως το σύστημα που υλοποιήσαμε μπορεί να πλοηγεί το drone με εξαιρετικό τρόπο μέσα στον κόσμο, δημιουργώντας ασφαλή μονοπάτια, αποφεύγοντας επιτυχώς όλα τα εμπόδια, πραγματοποιώντας βέλτιστες περιστροφές προς την κατεύθυνση του στόχου και τέλος διατηρώντας την ευθεία τροχιά του σε εξαιρετικό βαθμό. Ο εντοπισμός και η αναγνώριση αντικειμένων πραγματοποιείται με δεδομένα του drone από την κάμερα που διαθέτει τα οποία χρησιμοποιήθηκαν για την εκπαίδευση παραλλαγής του state of the art αλγόριθμου Yolo. Δημιουργήσαμε δύο μοντέλα για δύο διαφορετικά σύνολα δεδομένων, το ένα απλά για τον εντοπισμό αντικειμένων της ίδιας κλάσης, πρακτικά πρόβλεψη των bounding box, όπου το μοντέλο πετύχαινε μέση IoU ακρίβεια 0.85, γεγονός που αποδεικνύει την αποτελεσματικότητα αυτής της τεχνικής, και το δεύτερο μοντέλο για δεδομένα από το κόσμο της προσομοίωσης όπου είχαμε τοποθετήσει πέντε διαφορετικά είδη εμποδίων, και ζητούσαμε από το drone να εντοπίσει τα bounding boxes των εμποδίων ενώ παράλληλα να μπορεί να τα κατηγοριοποιήσει σωστά στις αντίστοιχες κλάσεις.