Robot detection and localization based on deep learning

CNN-Based Self Localization Using Visual Modelling of a Gyrocompass Line Mark and Omni-Vision Image for a Wheeled Soccer Robot Application

“…14. In addition, the CNN is an end-to-end implementation used directly to do self-localization that has an output of the robot position. It is different and more robust compare with work [11] that use CNN for pre-image pre-process acceleration for robot detection and localization.…”

“…Using the same robot, localization approach with reject option is also proposed in [10] based on topological maps using Nearest Neighbors classifier and Local Binary Patterns feature extraction. In [11], CNN using omnivision for MSL soccer robot is discussed using two stages of approach: opponent's robot detection and robot localization using the depth point cloud. The use of Kinect for depth sensor will increase the burden of CPU, and the CNN here is not used for direct self-localization.…”

Real-Time Robot Vision on Low-Performance Computing Hardware

“…An end-to-end deep vision network model was proposed to predict possible good grasps, which works in real-time on a Baxter robot at a rate of 80 frames per second using a GPU system [23]. [24] proposed an approach for robot detection and localization based on Convolutional Neural Networks (CNNs) for RoboCup soccer robots at 8 fps on a weak GPU system. [3] presented an experimental framework for exploiting vision in e-puck swarm robot by recognizing the Quick Response (QR) code.…”

Una Revisión Sistemática de Métodos para Localizar Automáticamente Objetos en Imágenes

“…Además, la localización previa es fundamen-tal en el análisis automático de imágenes, cuyo objetivo puede ser la segmentación, que consiste en separar los objetos de interés del fondo, en el reconocimiento o recuperación de objetos (Saikia et al, 2017;García-Olalla et al, 2018), o en el análisis de la relación espacial entre los objetos contenidos en una imagen (Lampert et al, 2008). Actualmente, hay una gran cantidad de aplicaciones que requieren una localización precisa de los objetos, como es el caso de la necesidad que tienen los vehículos autónomos de localizar peatones (Dollár et al, 2009;Li et al, 2018;Du et al, 2017;Brazil et al, 2017;Wang et al, 2018) u obstáculos (Shah et al, 2018;Yi et al, 2018;Garnett et al, 2017;Sepúlveda et al, 2017), la localización de vehículos en sistemas de control de tráfico, se encuentren o no en imágenesáereas (Zhong et al, 2017;Ammour et al, 2017;Tang et al, 2017;Xu et al, 2017a;Lee et al, 2017), la localización de lesiones o anormalidades en tejidos que usan los sistemas de diagnóstico clínico asistido por computador (He et al, 2018;Ma et al, 2017;Jiamin et al, 2017;Sa et al, 2017;Heo et al, 2017), la detección de objetos para el control de calidad que requieren los sistemas de inspección visual (Cao et al, 2018;Chen et al, 2018;Shi et al, 2017;Ferguson et al, 2017), o la localización de obstáculos que tienen que realizar los sistemas de navegación de robots (Lee et al, 2015;Luo et al, 2017), entre otras. Sin embargo, la correcta localización de objetos es difícil debido a múltiples factores, entre los que destacan la falta de calidad de la imagen, condiciones de iluminación cambiantes, objetos con forma no rígida o los cambios en la apariencia de los objetos a localizar (Felzenszwalb et al, 2010;…”

“…En particular,Lee et al (2015) proponen un sistema basado en VJ para la detección de obstáculos con forma de conos en un robot móvil con ruedas, para decidir la ruta a seguir al desplazarse de un punto inicial a otro. Por otra parte,Luo et al (2017) presentan un método para la localización de otros robots de uno de los equipos participantes en el mundial de fútbol de robots. El método propuesto usa una versión reducida de YOLO para analizar imágenes en RGB y de profundidad.…”