Έλεγχος και πλοήγηση ρομποτικού οχήματος με χρήση του action pro live.

Abstract

Την τελευταία δεκαετία η ρομποτική σημείωσε σημαντική πρόοδο. Παρόλα αυτά τα ρομπότ αυτά αφορούν αποκλειστικά την βιομηχανία και λειτουργούν σε καλά ελεγχόμενα περιβάλλοντα. Επίσης το προσωπικό που έρχεται σε επαφή με αυτά πρέπει να έχει μάλλον ειδική εκπαίδευση. Η είσοδος των οικιακών ρομπότ που θα αποτελούν μέρος της καθημερινότητας μας φαίνεται να απέχει ακόμα από το να γίνει πραγματικότητα. Προϋπόθεση για την λειτουργιά τέτοιων φιλικών προς τον χρήστη ρομπότ είναι η δυνατότητα του εκάστοτε ρομπότ να αντιλαμβάνεται την ύπαρξη των ανθρώπων στο χώρο καθώς επίσης και επιπλέων πληροφοριών σχετικές με αυτούς. Θα πρέπει να είναι δυνατή η ταυτοποίηση ώστε το ρομπότ να γνωρίζει ποιος είναι καθένας, την θέση τους στο χώρο και την στάση του σώματος τους. Επίσης το ρομπότ θα πρέπει να μπορεί να ακολουθεί κάποιον όταν πρέπει. Αυτά με την σειρά τους έχουν ανάγκη ένα σύστημα ρομποτικής όρασης. Παλιότερα περίπλοκοι αλγόριθμοι θα ήταν απαραίτητο να υλοποιηθούν προκειμένου να παρέχουν τις απαραίτητες πληροφορίες ρομποτικής όρασης. Τώρα πλέον όμως με την εμπορική εμφάνιση συσκευών όπως το Kinect και asus action pro και την ελεύθερη πρόσβαση σε βιβλιοθήκες όπως το open-ni ,ειδικά σχεδιασμένες για τις παραπάνω συσκευές ,η απόκτηση των περισσότερων από τις πληροφορίες που ανέφερα αρχικά είναι εύκολη υπόθεση. Σαν παράδειγμα εφαρμογής που περιέχει όλα τα παραπάνω επιλέχθηκε η κατασκευή ενός ρομποτικού οχήματος που θα αναγνωρίζει τον χρήστη του και μετά θα τον ακολουθεί. Βέβαια κάποιες από τις απαιτήσεις που έχει ένα τέτοιο ρομποτικό όχημα δεν μπορούν να καλυφτούν από το open-ni μόνο, είτε γιατί δεν προβλέπονται ούτως ή άλλως από το open-ni όπως η ταυτοποίηση του χρήστη ,είτε γιατί προκύπτουν κάποια ιδιαίτερα προβλήματα που προκύπτουν από τις παραδοχές που έχουν γίνει κατά την κατασκευή του open-ni. Για παράδειγμα όταν γίνεται προσπάθεια εντοπισμού ενός ανθρώπου στο χώρο υπάρχει η παραδοχή από το open-ni ότι μόνο οι άνθρωποι κινούνται. Αυτό συμβαίνει γιατί κανονικά το action pro είναι ακίνητο και έτσι η παραδοχή είναι λογική. Όμως όταν το όχημα κινείται αυτό δεν ισχύει. Για αυτούς τους λόγους επιπλέον μηχανισμοί βασισμένοι σε νευρωνικά δίκτυα και άλλες τεχνικές αναπτυχτήκαν και έτσι είναι δυνατή και η ταυτοποίηση των χρηστών και η απόρριψη τον εσφαλμένων εντοπισμών. Επιπλέον ένας μηχανισμός αποφυγής εμποδίων και σχεδιασμού της κίνησης υλοποιήθηκε πρέπει να φτιαχτεί πράγμα που διευκολύνεται από τον χάρτη βάθους που προσφέρει το asus action pro. Βάση των παραπάνω, κατασκευάστηκε ένα ρομποτικό όχημα που εντοπίζει, ταυτοποιεί, και αν ο χρήστης είναι κατάλληλος στην συνεχεία τον ακολουθεί χωρίς πρόβλημα.

During the last decade, robot technology has advanced significantly. However these robots are used exclusively by industry in fully controlled environments. Additionally, the personnel using them should have adequate training. Home use robots as part of our daily routines still seems a distant reality. Prerequisite for such user friendly robots is the ability to perceive humans around them and additional information about them. Identification must be available so that the robot can identify, its operator, location and body pose. Additionally the robot must be able to follow its operator if it is desired so. All these have a robotic vision system as prerequisite. In the past, more complex and sophisticated algorithms were necessary for the implementation of a robotic vision system. But nowadays the appearance of relatively low-cost commercial devices such as Kinect and asus action pro, and with free access on frameworks such as open-ni, designed specifically for these devices, gathering most of the aforementioned information becomes easy. As a use case, a mobile robot have been constructed which is able to recognize and follow its user. Open-ni alone cannot cover some of the requirements of such a robot, either because the open-ni was not designed to provide user recognition, or because some special problems arise. For example when open-ni tries to find a person in the area, the assumption is made that only humans move. This happens because normally the action pro is fixed in place and in that case this assumption is valid. But when the robot moves it is not. For these reasons, additional mechanisms have been developed based on neural networks and other techniques so the user recognition and the rejection of fault detections is possible. Additionally, a mechanism of obstacle avoidance and path planning have been be designed, something that becomes easier with the use of action pros’ depth map.