Umass Amherst避免避让的内部视野使用豺狼UGV来训练机器学习。来源：ClearPath机器人
人类依赖他们的感官。如果没有外部世界的外部输入，我们无法找到，识别，导航，操作等等。同样，机器人需要对障碍避免的高级感知，并在由人类设计的世界中运作。然而，虽然视觉是机器人的廉价感测系统，但它易于出现各种原因，例如反射表面，模糊和纹理场景。
一个研究团队信息与计算机科学学院在马萨诸塞大学阿默斯特正在使用豺来自Clearpath Robotics Inc.的无人机地面车辆（UGV）培训能力感知的，基于视觉的障碍避免系统，可以预测这种失败。这将允许更昂贵和更安全的机器人部署。只有通过学习能力感知的感知算法，人们可以预测其故障情况以及有关他们类型的失败的原因。
在他们的内省视觉避障(IVOA)项目中，博士生Sadegh Rabiee和助理教授Joydeep Biswas专注于学习计算机视觉算法在避障任务中的能力。
给狐猴的眼睛避免避免
为了让豺狼UGV完成任务，Rabiee和Biswas在平台上安装了一对立体摄像机，以及一个深度摄像机，以提供稀疏的地面真相。在机器人部署期间，这些将用于以全帧速率记录RGB和深度图像。然后对这些图像分别进行处理以避免障碍物。
当两者生成的方案不一致，且已知深度传感器较为可靠的环境时，路径发散点投影到RGB图像的图像平面上。因此，提取以该位置为中心的图像patch作为不可靠图像条件的示例。
通过使用这样的图像修补程序产生基于图像的算法的失败，团队可以培训一种内省模型来学习预测以下内容：
- 输入图像不会发生故障？
- 图像的哪些部分可能导致这种故障?
- 预期会发生什么类型的失败？（假阳性与假阴性）
- 从训练集中提取了多少种不同的失败类型?
为研究长期自主移动机器人而定制Jackal UGV需要马萨诸塞大学的团队用他们自己想要的传感器和有效载荷定制平台。首先，他们安装了一对用于基于视觉的SLAM(同时定位和绘图)和避障的立体声点灰相机，以及Kinect深度传感器，为基于视觉的避障系统提供地面真实情况。
接下来，使用Velodyne LIDAR（VLP 16）用于基于LIDAR的SLAM研究，以及基于视觉的SLAM的地面真理生成。
硬件拼图的最终碎片包括用于人机交互的触摸屏监视器和用于额外计算能力的英特尔NUC。触摸屏可以快速和微妙的调试，以及允许机器人通过图形用户界面与人类交互。一个例子将是一个寻求附近使用电梯的人的机器人。
在软件方面，IVOA团队开发了自己的完整的基于ros的机器人自主导航堆栈，包括SLAM实现、避障和规划。
拟合透明路径进入等式
在哪里透明路径机器人适合？嗯，IVOA的数据收集过程需要具有移动机器人平台，其能够在不同环境中长时间可靠地在不同类型的地形中运行。
与此同时，IVOA依赖于大量的自标记训练数据，手动收集这些数据是不可能的。使用Jackal UGV可以从三个方面加速他们的研究进程:
- 无需建造和维护自己的UGV。这将需要大量的时间和精力
- 提供灵活的模块化平台，具有硬件和软件支持，可轻松实验不同的传感器配置
- 被证明是一个强大的低维护研究平台
IVOA团队已经有信心使用Jackal UGV，就像他们在过去的项目中所做的那样，他们的项目名为“基于摩擦的滑动转向轮式移动机器人运动学模型”，该项目发表于ICRA 2019.（IEEE机器人和自动化国际会议）。
研究人员选择了Jackal UGV，因为它非常适合开发他们的算法，并且不需要设计和制造他们自己的机器人，最终让他们在进行研究实验时有一个平稳的体验。
“ClearPath Robotics通过提供易于定制的可靠机器人平台，可以更轻松地研究机器人，”rabiee说。“此外，我们发现了Clearpath的支持团队非常响应和乐于助人”。
展望未来
IVOA项目继续改进，该团队计划将其能力感知感知系统的工作扩展到更多的感知问题，如基于视觉的SLAM。研究人员的最终目标是在大学校园范围内部署自主机器人，并通过能力感知视觉系统进行安全导航。
目前，他们已经成功引进IVOA，一种用于自我感知的架构，基于立体声视觉的障碍物避免系统，其能够预测其故障，同时区分假正和假阴性情况。这个项目也将出现在——2019(IEEE/RSJ智能机器人与系统国际会议)。
机器人报告已经推出了这一点医疗机器人工程论坛会议和博览会的重点是改进下一代医疗机器人的设计、开发和制造。了解有关医疗保健机器人工程论坛的更多信息。
提交：学生计划那机器人报告
告诉我们你的想法!