Classificador de trajetos para robôs de corrida seguidores de linha utilizando deep learning
Resumo
A maioria dos projetos de robôs seguidores de linha de competição utiliza sensores infravermelhos para detecção da trajetória devido a simplicidade da programação e baixo custo dos materiais. No entanto, estes sensores limitam o controle do robô, uma vez que apenas captam informação no local do robô, impedindo o planejamento de ações como alteração de velocidade. O presente trabalho teve como objetivo desenvolver um algoritmo capaz de identificar e classificar disposições de trajetórias encontradas por robôs seguidores de linha, permitindo tomadas de decisões antecipadas. Foi desenvolvido um protótipo que realizou aquisição de imagens que então foram pré-processadas e alimentaram uma rede neural convolucional. A saída desta rede representava o tipo de pista à frente do robô, nas formas de reta, curva, cruzamento, zig-zag e parada. Após o treinamento de uma rede com 5400 imagens, obteve-se como resultado uma rede com precisão maior de 98% na classificação de novas imagens de teste.
Palavras-chave
Texto completo:
PDFReferências
ABADI, M. et al. Tensorflow: A system for large-scale machine learning. 12th Symposium on Operating Systems Design and Implementation. 2016. p. 265-283. Disponivel em https://www.usenix.org/system/files/conference/osdi16/osdi16-abadi.pdf Acesso em outubro de 2019
BASHEER, I.; HAJMEER, M. N. Artificial Neural Networks: Fundamentals, Computing, Design, and Application. Journal of microbiological methods. 2000. Disponivel em https://www.researchgate.net/profile/Imad_Basheer/publication/12244015_Artificial_Neural_Networks_Fundamentals_Computing_Design_and_Application/links/5ad78cb4a6fdcc293584b69d/Artificial-Neural-Networks-Fundamentals-Computing-Design-and-Application.pdf Acesso em fevereiro de 2020
BONON, C. E. de A. . Estudo comparativo dos softwares de simulação para carros autônomos CARLA e Udacity. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Telecomunicações)-Universidade Federal Fluminense, 2019. Disponível em https://app.uff.br/riuff/bitstream/1/12578/1/TCC_REFIXED%20Carlos%20Eduardo.pdf. Acesso em novembro de 2019.
CHENG, J. et al. Recent advances in efficient computation of deep convolutional neural networks. Frontiers of Information Technology & Electronic Engineering. 2018. p. 64-77. Disponivel em https://arxiv.org/pdf/1802.00939. Acesso em fevereiro de 2020
CHOLLET, F. et al. Keras. [S. l.], 2015. Disponível em: https://keras.io/. Acesso em fevereiro 2020.
DOBBIN, K.; SIMON, R.. Optimally splitting cases for training and testing high dimensional classifiers. BMC medical genomics. 2011. Disponível em https://www.researchgate.net/profile/Richard_Simon4/publication/51036331_Optimally_splitting_cases_for_training_and_testing_high_dimensional_classifiers/links/5419ace60cf203f155ae0ccc/Optimally-splitting-cases-for-training-and-testing-high-dimensional-classifiers.pdf Acesso em novembro de 2019
FERREIRA, A. Estimação do ângulo de direção por vídeo para veículos autônomos utilizando redes neurais convolucionais multicanais. 2017. Disponível em http://bdm.unb.br/bitstream/10483/17779/1/2017_ArthurEmidioTeixeiraFerreira.pdf Acesso em novembro de 2019
GIMENEZ, C. M. Identificação de bovinos através de reconhecimento de padrões do espelho nasal utilizando redes neurais artificiais. Dissertação (Mestrado em Qualidade e Produtividade Animal) - Faculdade de Zootecnia e Engenharia de Alimentos, Universidade de São Paulo, Pirassununga, 2011. doi:10.11606/D.74.2011.tde-24052011-085146. Acesso em fevereiro de 2020.
HAN, D. et al. A new image classification method using CNN transfer learning and web data augmentation. Expert Systems with Applications 95. 2018. p.43-56. Disponível em: https://www.sciencedirect.com/science/article/pii/S0957417417307844 Acesso em novembro de 2019
KRIZHEVSKY, A. et al. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. 2012. p.1097-1105. Disponivel em http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf. Acesso em outubro de 2019
LOPES, W. A. et al. Projeto de robô autônomo seguidor de linha utilizando mapeamento de pista e controle híbrido. Anais do Computer on the Beach, p. 608-610, 2017. Disponível em: https://siaiap32.univali.br/seer/index.php/acotb/article/download/10544/5901. Acesso em janeiro de 2020
LORSAKUL, A.; SUTHAKORN J. Traffic sign recognition for intelligent vehicle/driver assistance system using neural network on opencv. The 4th International Conference on Ubiquitous Robots and Ambient Intelligence. 2007. Disponível em: https://www.researchgate.net/publication/228522786_Traffic_sign_recognition_using_neural_network_on_opencv_Toward_intelligent_vehicledriver_assistance_system/link/5b0d029daca2725783ec6454/download. Acesso em janeiro de 2020
MARENGONI, M.; STRINGHINI, D. Introdução à Visão Computacional usando OpenCV. Revista de Informática Teórica Aplicada. 2009. Disponível em https://seer.ufrgs.br/rita/article/view/rita_v16_n1_p125/7289. Acesso em fevereiro de 2020
MIKOLOV, T. et al. Recurrent neural network based language model. Eleventh annual conference of the international speech communication association. 2010. Disponivel em https://www.researchgate.net/profile/Martin_Karafiat/publication/221489926_Recurrent_neural_network_based_language_model/links/0c960523991065d41b000000/Recurrent-neural-network-based-language-model.pdf. Acesso em fevereiro de 2020
MOLZ, R. F. Uma Metodologia para o desenvolvimento de aplicações de visão computacional utilizando um projeto conjunto de hardware e software. 2001. https://lume.ufrgs.br/handle/10183/2783. Acesso em fevereiro de 2020
NAGI, J. et al. Max-pooling convolutional neural networks for vision-based hand gesture recognition. IEEE International Conference on Signal and Image Processing Applications (ICSIPA). IEEE, 2011. Disponivel em https://ieeexplore.ieee.org/document/6144164. Acesso em outubro de 2019
PAKDAMAN, M.; SANAATIYAN, M. M. Design and implementation of line follower robot. 2009 Second International Conference on Computer and Electrical Engineering. IEEE, 2009. p. 585-590. Disponivel em https://ieeexplore.ieee.org/abstract/document/5380235 Acesso em janeiro de 2020
PERELMUTER, G. et al. Reconhecimento de imagens bidimensionais utilizando Redes Neurais Artificiais. Anais do VIII Sibgrapi. 1995. p. 197-203. Disponivel em http://sibgrapi.sid.inpe.br/col/sid.inpe.br/sibgrapi/2013/02.18.15.52/doc/25%20Reconhecimento%20de%20imagens%20bidimensionais.pdf. Acesso em fevereiro de 2020
RASCHKA, S. Model evaluation, model selection, and algorithm selection in machine learning. arXiv preprint arXiv. 2018. Disponível em: https://arxiv.org/pdf/1811.12808. Acesso em novembro de 2019
RUSSAKOVSKY, O. et al. Imagenet large scale visual recognition challenge. International journal of computer vision. 2015. p. 211-252. Disponivel em https://www.researchgate.net/profile/Hao_Su8/publication/265295439_ImageNet_Large_Scale_Visual_Recognition_Challenge/links/54cbd6a90cf29ca810f4525e/ImageNet-Large-Scale-Visual-Recognition-Challenge.pdf. Acesso em fevereiro de 2020
SALAMON, J.; BELLO, J. Deep convolutional neural networks and data augmentation for environmental sound classification. IEEE Signal Processing Letters 24.3. 2017. p. 279-283. Disponível em: https://arxiv.org/pdf/1608.04363. Acesso em novembro de 2019
STEPHEN, I. Perceptron-based learning algorithms. IEEE Transactions on neural networks. 1990.Disponivel em https://www.researchgate.net/profile/Steve_Gallant/publication/5569039_Perceptron-based_learning_algorithms/links/0f3175344302564821000000/Perceptron-based-learning-algorithms.pdf. Acesso em fevereiro de 2020
TECHNOXIAN. Fastest Line Follower. [S. l.], 2018. Disponível em: https://www.technoxian.com/fastest-line-follower. Acesso em fevereiro de 2020
TOSTA, O. et al. Projeto E Implementação De Um Robô Autônomo Seguidor De Linha Baseado Em Visão Computacional, 2016. Disponível em: http://sistemaolimpo.org/midias/uploads/b46d3d2361f1b6c485fca4859ec2c4bd.pdf. Acesso janeiro de 2020
TRIF - Torneio de Robótica do IFSP: Regras e Instruções. [S. l.], 2019. Disponível em: https://drive.google.com/file/d/1UaKCzL25Rhg7-kHY3hpgAuTpYy0uB3Mz/view. Acesso em fevereiro de 2020
Apontamentos
- Não há apontamentos.
ISSN 1984-1213
ISSN 2318-5589
Qualis B2