An optical flow-based sensing system for reactive mobile robot navigation

Abstract

This work discusses the use of optical flow to generate the sensorial information a mobile robot needs to react to the presence of obstacles when navigating in a non-structured environment. A sensing system based on optical flow and time-to-collision calculation is here proposed and experimented, which accomplishes two important paradigms. The first one is that all computations are performed onboard the robot, in spite of the limited computational capability available. The second one is that the algorithms for optical flow and time-to-collision calculations are fast enough to give the mobile robot the capability of reacting to any environmental change in real-time. Results of real experiments in which the sensing system here proposed is used as the only source of sensorial data to guide a mobile robot to avoid obstacles while wandering around are presented, and the analysis of such results allows validating the proposed sensing system

Adición de un Paso de Fusión de Datos al Algoritmo de Mínimos Cuadrados Clásico para Mejorar la Estima del Campo de Flujo Óptico

“…De todos ellos, sólo el método diferencial de Lukas and Kanade (1981) se tratará en este trabajo, para entenderlo y después modificarlo. Una razón para esto es que este método aún es uno de los más utilizados para calcular el flujoóptico (Carelli et al, 2002;Simas et al, 2010;Caldeira et al, 2007). Lukas and Kanade (1981) Este algoritmo corresponde a un método diferencial, y, por lo tanto, utiliza la ecuación (3) con una restricción de regularización adicional.…”

“…en la dirección x, I y es la derivada espacial de I(x; y; t) en la dirección y e I t es la derivada temporal de la imagen, todas en el pixel i. Dichas derivadas son calculadas de la misma forma propuesta en (Horn and Shunck, 1981) y (Caldeira et al, 2007). Con dichas derivadas se escribe un sistema de ecuaciones lineales sobre-determinado en u y v, de lo cual se genera la estima de mínimo error medio cuadrático (û,v) del vector de flujoóptico, dada por…”

“…De forma paralela, se han publicado varios informes acerca del uso de flujoóptico en diversas aplicaciones, como, por ejemplo, la recuperación de información de la escena tridimensional y parámetros de movimiento con una cámara en movimiento (Zhang and Faugeras, 1992;Zheng and Chellappa, 1993), la segmentación de movimiento (Black and Anandan, 1990), el cálculo de la disparidad estéreo (Langley et al, 1991), la medición del flujo sanguíneo y de la movilidad de las paredes del corazón en las imágenes médicas (Prince and McVeigh, 1992), y la auto-conducción de vehículos (Giachetti et al, 1998;de Micheli and Verri, 1993;Gern et al, 2002;Zainal et al, 2012). El flujoóptico también ha sido utilizado en la navegación de robots móviles (Sarcinelli-Filho et al, 2002;Dev et al, 1997;Carelli et al, 2002;Jia et al, 2008;Caldeira et al, 2007), incluyendo vehículos aéreos autónomos (Rudall, 2004;Watanabe et al, 2009). Además, hay informes recientes de aplicaciones que utilizan flujoóptico, como es el caso de los trabajos de Jia et al (2008), Watanabe et al (2009), Caldeira et al (2007), Simas et al (2010) y Zainal et al (2012).…”

“…El flujoóptico también ha sido utilizado en la navegación de robots móviles (Sarcinelli-Filho et al, 2002;Dev et al, 1997;Carelli et al, 2002;Jia et al, 2008;Caldeira et al, 2007), incluyendo vehículos aéreos autónomos (Rudall, 2004;Watanabe et al, 2009). Además, hay informes recientes de aplicaciones que utilizan flujoóptico, como es el caso de los trabajos de Jia et al (2008), Watanabe et al (2009), Caldeira et al (2007), Simas et al (2010) y Zainal et al (2012). Por lo tanto, un método eficiente para determinar el flujoóptico es de interés en muchas aplicaciones.…”

“…A continuación, se cambia la forma como se calculan las estimas iniciales de cada vector de flujoóptico, admitiéndose una pérdida de precisión para reducir el tiempo de cálculo. Esto se realiza reduciendo el número de pixeles utilizados en la obtención de las estimas iniciales de los vectores de flujoóptico, similar a lo que se hace en Caldeira et al (2007), por ejemplo. Esto resulta en una segunda versión modificada del algoritmo de Lucas y Kanade, suficientemente rápida para aplicaciones en navegación de robots móviles, especialmente en situaciones en que no se requiere mucha precisión (por ejemplo, evasión de obstáculos (Sarcinelli-Filho et al, 2002;Dev et al, 1997;Caldeira et al, 2007)).…”