Reconocimiento de objetos agarrados con sensorizado híbrido propioceptivo-táctil

DSpace/Manakin Repository

español português english

Reconocimiento de objetos agarrados con sensorizado híbrido propioceptivo-táctil

Show full item record

Title: Reconocimiento de objetos agarrados con sensorizado híbrido propioceptivo-táctil
Author: Velasco Sánchez, Edison; Zapata Impatá, Brayan Stiven; Gil, Pablo
Abstract: Este trabajo se presenta una aproximación híbrida propioceptiva-táctil para reconocer objetos agarrados. La información propioceptiva de una mano robótica es usada para estimar la geometría de contacto y así, distinguir la forma de cada uno de los objetos que están siendo agarrados. La geometría de contacto viene determinada por los datos articulares de la mano robótica cuando ésta lleva a cabo un agarre en configuración de cierre sobre la superficie del objeto. Además, la información táctil permite determinar propiedades de rigidez y flexibilidad del objeto agarrado, mejorando el proceso de reconocimiento cuando la geometría de contacto y por lo tanto, la forma de los objetos es similar. El método propuesto emplea técnicas de clasificación de aprendizaje supervisado para combinar los datos de ambos tipos de sensores e identificar el tipo de objeto con un porcentaje de acierto medio del 95,5% con métrica ‘accuracy’ y 95.3% con F1(F-score) aun en presencia de incertidumbre de medida y ambigüedad. Estas ratios de acierto se han alcanzado experimentando con 7 objetos domésticos y llevando a cabo más de 3000 agarres.This work presents a hybrid proprioceptive-tactile approach to recognize grasped objects. Proprioceptive data of a robotic hand are used to estimate contact geometry and thus, to distinguish the shape of each of the objects that are being grasped. The contact geometry is determined by the joint data of the robotic hand when it carries out a grip in closure grasps configuration on the object surface. In addition, the tactile data allow to robotic hand to determine rigidity and flexibility properties of the grasped object, improving the recognition process when the contact geometry and therefore, the shapes of different objects are similar. The proposed method employs supervised learning classification techniques to combine the data from both types of sensors and identify the type of object with an average success rate of 95,5% (with accuracy) and 95.3% (with F1 or F-score)even in the presence of measurement with uncertainty and ambiguity of pose. These success ratios have been achieved by experimenting with 7 different objects and performing more than 3000 grasps.
Description: Comunicación presentada a las XXXIX Jornadas de Automática, celebradas en Badajoz del 5 al 7 de Septiembre de 2018 y organizada por la Universidad de Extremadura. Cita:
URI: http://hdl.handle.net/10662/8241
Date: 2018


Files in this item

Files Size Format View
978-84-09-04460-3_224.pdf 4.057Mb PDF Thumbnail

The following license files are associated with this item:

This item appears in the following Collection(s)

Show full item record

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

Search DSpace


Browse

My Account

Statistics

Help

Redes sociales