استخراج ویژگی‌ از داده‌های عمق با استفاده از روش یادگیری عمیق برای کنترلِ باناظر ربات چرخ‌دار

این مقاله چارچوبی از یادگیری عمیقِ با ناظر را جهت ناوبری ربات چرخ دار در زمین های هموار با محوریت وظایف پیگیری دیوار و اجتناب از موانع ارائه می نماید. در اینجا، فرض بر این است که ربات تنها به یک سیستم بینایی (دوربین کینکت) مجهز است. چالش اصلی در هنگام استفاده از تصاویر عمق، ابعاد بالای تصاویر و استخراج ویژگی های مناسب از آنها با هدف کاهش ابعاد ورودی کنترلگر می باشد. برای این منظور در این مقاله از یادگیری عمیق بهره برداری شده و ویژگی های مناسبی بدست می آیند که بازنمایی تصاویر عمق هستند. چهار معماری با استفاده از این ویژگی ها و سابقه های فرمان کنترلی برای کنترلگر ارائه می شود. این معماری ها در محیط شبیه ساز ویبات با یکدیگر مقایسه می شوند. آزمایش های انجام شده نشان می دهد معماری بهره برنده از چهار دسته ورودی شامل: ویژگی های بازنمایی شده از داده های عمق، ویژگی های لحظه ی قبل، موقعیت خط سیر در تصویر رنگی، و سابقه ی فرمان های پیشینِ کنترلگر می تواند به خوبی کنترل ربات را در محیط های هموار و با مانع به انجام برساند.

Feature Extraction from Depth Data using Deep Learning for Supervised Control of a Wheeled Robot

This paper proposes a framework of Supervised Deep Learning (SDL) for wheeled robot navigation in soft terrains with a focus on wall following and obstacle avoidance tasks. Here, it is supposed the robot is only equipped with a vision system (Kinect camera). The main challenge while using depth images is high dimensionality of images and extracting proper features of them with a purpose of reducing input dimensionality of controller. To do this, the deep learning is utilized in this paper and the appropriate features which are the representation of depth images are acquired. Four architectures are created using this features and the history of steering commands. These architectures are compared in WEBOT simulator. The experiments show that the proposed architecture with four groups of features including: the represented features of depth data, previous represented features, the position of trajectory in color image, and the history of previous steering commands can control the robot in soft terrain with a variety of obstacles as well.