Reconocimiento de objetos y obtención de su posición

DSpace/Manakin Repository

español português english

Reconocimiento de objetos y obtención de su posición

Show simple item record

dc.contributor.advisor Bustos García Castro, Pablo
dc.contributor.advisor Manso Fernández-Argüelles, Luis Jesús
dc.contributor.author Barbecho Delgado, Iván
dc.date.accessioned 2017-12-12T11:23:29Z
dc.date.available 2017-12-12T11:23:29Z
dc.date.issued 2017-12-12
dc.date.submitted 2017-06
dc.identifier.uri http://hdl.handle.net/10662/6696
dc.description.abstract Este proyecto se ha desarrollado con el objetivo principal de dotar a Shelly, el robot asistencial de RoboLab, de un sistema de reconocimiento y localización de objetos en el espacio. Este documento consta de tres partes: una introductoria que comprende los capítulos 1 y 2, una teórica que se desarrolla en el capítulo 3 y una práctica que se expone en los capítulos 4, 5 y 6. En la sección teórica se recogen los conceptos necesarios para la comprensión de los diferentes algoritmos utilizados en la implementación; distintos tipos de descriptores de nubes de puntos; diferentes técnicas de ajuste de nubes de puntos; extracción de los objetos de una escena; cómo es Shelly; qué es RoboComp y la arquitectura cognitiva CORTEX. En la sección práctica se desarrolla el proceso seguido para implementar el sistema objetivo: cómo se debe realizar el entrenamiento del sistema; qué información ha de almacenarse; cómo corregir la pose calculada en el entrenamiento; cómo se realiza el reconocimiento de los objetos; cómo se localiza un objeto en el espacio y qué información debe devolver el sistema; qué se puede hacer para optimizar el sistema; y finalmente, cómo combinar el reconocimiento y la localización del objeto. Además de esto, se muestran los resultados obtenidos de los experimentos de reconocimiento de objetos (probando los tipos de descriptores y los diferentes tipos de entrenamiento del sistema) y de localización del objeto (probando las diferentes técnicas de ajuste de nubes de puntos y los distintos tipos de entrenamiento del sistema). Finalmente, se presenta un análisis detallado de los resultados de los experimentos llevados a cabo, llegándose a la conclusión de que la elección del tipo descriptor y de la técnica de ajuste influyen significativamente en los resultados que obtiene el sistema, así como en el tiempo de ejecución. La combinación del descriptor OUR-CVFH, 16. es_ES
dc.description.abstract This project has been developed with the main objective of providing Shelly, the assistant robot of RoboLab, with an object recognition and localization system. This document is composed of three parts: an introductory part that covers chapters 1 and 2, a theoretical part which is explained in chapter 3, and a practical part comprising chapters 4, 5 and 6. In the theoretical section the necessary concepts for understanding the algorithms used are introduced; various types of point cloud descriptors; the different points cloud fitting techniques; how are the objects from a scene segmented; a description of the robot Shelly; RoboComp and the CORTEX cognitive architecture. The practical section presents the process followed for implementing the target system: how should system training be done; what information is to be stored; how to correct the computed pose in training; how objects are recognized; how an object is located in space and which information the system must return; what can be done to optimize the system; and finally how to combine the recognition and location of the object. In addition to this, the chapter presents the results obtained from the object recognition experiments (benchmarking the different types of descriptors and the different types of training system) and the experiments for location of the object (benchmarking the different techniques for fitting point clouds and different types of training systems). Finally, a detailed analysis of the results of the experiments is presented, concluding that the choice of the descriptor type and the adjustment technique influence significantly the results obtained by the system, as well as at the execution time. The combination of the OUR-CVFH descriptor, 16 views of each object and fitting using ICP, in view of the results obtained, it offers better results given that OUR-CVFH. es_ES
dc.format.extent 69 p. es_ES
dc.format.mimetype application/pdf en_US
dc.language.iso spa es_ES
dc.rights Atribución-NoComercial-SinDerivadas 3.0 España *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/ *
dc.subject Nube de puntos es_ES
dc.subject Entorno de vecindad es_ES
dc.subject Descriptores de superficie es_ES
dc.subject Point Cloud es_ES
dc.subject Neighbourhood (mathematics) es_ES
dc.subject Surface descriptors es_ES
dc.title Reconocimiento de objetos y obtención de su posición es_ES
dc.type bachelorThesis es_ES
europeana.type TEXT en_US
dc.rights.accessRights openAccess es_ES
dc.subject.unesco 1203.17 Informática es_ES
dc.subject.unesco 2211.28 Superficies es_ES
europeana.dataProvider Universidad de Extremadura. España es_ES
dc.description.degree Grado en Ingeniería Informática en Ingeniería de Computadores. Universidad de Extremadura es_ES


Files in this item

Files Size Format View
TFGUEX_2017_Barbecho_Delgado.pdf 11.16Mb PDF Thumbnail

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 3.0 España Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 3.0 España

Search DSpace


Browse

My Account

Statistics

Help

Redes sociales