Advancing vision-guided autonomous ground vehicles : deep learning applications for improved perception and specialized industrial operations
Ariram, Siva (2024-10-30)
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202410156320
Kuvaus
Tiivistelmä
The performance of vision-guided ground robot vehicles is in fact a critical aspect in various fields of application. These robots frequently rely on visual sensors to perform the given task, to interact with their environment and to navigate to specified target locations. Deep learning techniques have been increasingly adopted to improve the monitoring performance of autonomous ground robots. However, the deployment of these models on autonomous ground robots remains an unexplored area of research.
This thesis introduces novel applications for vision-guided robots across various industries. It aims to clarify the benefits of applying deep learning techniques to augment the performance of robotic operations tailored to specific applications. The proposed techniques make possible the use of ground robot vehicles in more specialized applications, such as road maintenance inspection, construction inspection, and garbage segregation.
The study presents a step-by-step implementation of AI applications in the field of robotics. By starting from scratch with dataset creation, which includes gathering and annotation of data, it enables data-driven decision-making for specific applications. This approach ensures that the vision-guided robotic systems are trained on relevant and representative data, leading to more accurate and effective performance in real-world scenarios.
In addition, by integrating semantic information into the 3D representation, the approach significantly enhances the performance of autonomous navigation. This integration provides a more comprehensive understanding of the environment, enabling the autonomous system to make more informed and accurate decisions.
This research contributes to the advancement of robotics and AI applications, paving the way for more efficient and specialized robotic operations.
Näköohjattavien maarobottiajoneuvojen suorituskyky on itse asiassa kriittinen näkökohta eri sovellusalueilla. Nämä robotit tukeutuvat usein visuaalisiin antureihin suorittaakseen annetun tehtävän, vuorovaikuttaakseen ympäristönsä kanssa ja navigoidakseen tiettyihin kohdepaikkoihin. Syväoppimistekniikoita on otettu yhä useammin käyttöön autonomisten maarobottien havainnointitehon parantamiseksi. Näiden mallien käyttöönotto autonomisissa maaroboteissa on kuitenkin edelleen avoin tutkimusalue.
Tässä väitöskirjassa esitellään näköohjattavien robottien uusia sovelluksia eri teollisuudenaloilla. Sen tavoitteena on avata hyötyjä, joita saadaan soveltamalla syväoppimistekniikoita tiettyihin sovelluksiin räätälöityjen robottitoimintojen suorituskyvyn lisäämiseksi. Ehdotetut tekniikat mahdollistavat maarobottiajoneuvojen käytön erikoistuneemmissa sovelluksissa, kuten teiden kunnossapitotarkastuksissa, rakennustarkastuksissa ja roskien lajittelussa.
Tutkimuksessa esitellään tekoälysovellusten vaiheittainen toteutus robotiikan alalla. Aloittamalla alusta tietokokonaisuuksien luomisesta, johon kuuluu tietojen kerääminen ja merkitseminen, mahdollistetaan tietoon perustuva päätöksenteko erityisiä sovelluksia varten. Tällä lähestymistavalla varmistetaan, että näköohjatut robottijärjestelmät koulutetaan olennaisilla ja edustavilla tiedoilla, mikä johtaa tarkempaan ja tehokkaampaan suorituskykyyn reaalimaailman skenaarioissa.
Lisäksi integroimalla semanttista tietoa 3D-esitykseen lähestymistapa parantaa merkittävästi autonomisen navigoinnin suorituskykyä. Integroinnin ansiosta ympäristöstä saadaan kattavampi käsitys, minkä ansiosta autonominen järjestelmä voi tehdä tietopohjaisempia ja tarkempia päätöksiä.
Tämä tutkimus edistää robotiikan ja tekoälysovellusten kehitystä ja tasoittaa tietä tehokkaammille ja erikoistuneemmille robottitoiminnoille.
Original papers
-
Raveendran, R., Ariram, S., Tikanmaki, A., & Roning, J. (2020). Development of task-oriented ROS-based Autonomous UGV with 3D Object Detection. 2020 IEEE International Conference on Real-time Computing and Robotics (RCAR), 427–432. https://doi.org/10.1109/RCAR49640.2020.9303034 https://doi.org/10.1109/RCAR49640.2020.9303034
-
Ariram, S., Pennanen, T., Tikanmäki, A., & Röning, J. (2021). Garbot—Semantic segmentation for material recycling and 3D reconstruction utilizing robotics. 2021 IEEE International Conference on Mechatronics and Automation (ICMA), 1255–1260. https://doi.org/10.1109/ICMA52036.2021.9512716 https://doi.org/10.1109/ICMA52036.2021.9512716
-
Pennanen, T., Ariram, S., Tikanmäki, A., & Röning, J. (2021). All-around 3D reconstruction from spherical images with semantic segmentation. 2021 IEEE International Conference on Mechatronics and Automation (ICMA), 193–199. https://doi.org/10.1109/ICMA52036.2021.9512619 https://doi.org/10.1109/ICMA52036.2021.9512619
-
Ariram, S., Pekkala, V., Mäenpää, T., Tikanmäki, A., & Röning, J. (2023). UAV-based intelligent information systems on winter road safety for autonomous vehicles. Manuscript in preparation.
Osajulkaisut
-
Raveendran, R., Ariram, S., Tikanmaki, A., & Roning, J. (2020). Development of task-oriented ROS-based Autonomous UGV with 3D Object Detection. 2020 IEEE International Conference on Real-time Computing and Robotics (RCAR), 427–432. https://doi.org/10.1109/RCAR49640.2020.9303034 https://doi.org/10.1109/RCAR49640.2020.9303034
-
Ariram, S., Pennanen, T., Tikanmäki, A., & Röning, J. (2021). Garbot—Semantic segmentation for material recycling and 3D reconstruction utilizing robotics. 2021 IEEE International Conference on Mechatronics and Automation (ICMA), 1255–1260. https://doi.org/10.1109/ICMA52036.2021.9512716 https://doi.org/10.1109/ICMA52036.2021.9512716
-
Pennanen, T., Ariram, S., Tikanmäki, A., & Röning, J. (2021). All-around 3D reconstruction from spherical images with semantic segmentation. 2021 IEEE International Conference on Mechatronics and Automation (ICMA), 193–199. https://doi.org/10.1109/ICMA52036.2021.9512619 https://doi.org/10.1109/ICMA52036.2021.9512619
-
Ariram, S., Pekkala, V., Mäenpää, T., Tikanmäki, A., & Röning, J. (2023). UAV-based intelligent information systems on winter road safety for autonomous vehicles. Manuscript in preparation.
Kokoelmat
- Avoin saatavuus [38840]