Coordinación mano-ojo de un brazo robótico utilizando una cámara estéreo
Resumen
Este trabajo presenta los resultados obtenidos luego de implementar un algoritmo de visión artificial desarrollado en Python para estimar la posición de un objeto por medio de información visual de una cámara estéreo. La estimación de la posición del objeto es utilizada por el controlador de un brazo robótico, para posicionarlo y sujetar el objeto; sin embargo, el brazo robótico no siempre llega de forma precisa al punto esperado,en consecuencia, se complementó este proceso con un algoritmo de corrección de la posición basado en el algoritmo de optimización Gradient Descent y el proceso de coordinación mano-ojo que hacen los seres humanos. Los valores de posición son enviados, mediante wifi, a través del protocolo TCP/IP y por medio de sockets, al controlador del brazo robótico. Los resultados experimentales obtenidos muestran que, a mayor resolución de la imagen de la cámara, mejor es la estimación de la posición del objeto y, en general, con el algoritmo de corrección implementado, la distancia entre la posición final del robot y la posición del objeto no supera los 10 mm.
Descargas
Referencias bibliográficas
F. von Drigalski, K. Hayashi, Y. Huang, R. Yonetani, M. Amaya, K. Tanaka, et al., "Precise Multi-Modal In-Hand Pose Estimation using Low-Precision Sensors for Robotic Assembly", 2021 IEEE International Conference on Robotics and Automation (ICRA), 2021, pp. 968-974. https://doi.org/10.1109/ICRA48506.2021.9561222
C. Li y Q. Bi, "Vision-driven High Precision Positioning Method for Bracket Assembly with Industrial Robot", 2022 5th World Conference on Mechanical Engineering and Intelligent Manufacturing (WCMEIM), 2022, pp. 825-830. https://doi.org/10.1109/WCMEIM56910.2022.10021493
D. A. Forsyth y J. Ponce, Computer vision: a modern approach, 2a ed., New Jersey: Pearson, 2012.
R. Hartley y A. Zisserman, Multiple View Geometry in computer vision. New York: Cambridge University Press, 2003.https://doi.org/10.1017/CBO9780511811685
Z. Zhang, "A flexible new technique for camera calibration", IEEE Trans Pattern Anal Mach Intell., vol. 22, no. 11, pp. 1330-1334, 2000, http://doi.org/10.1109/34.888718.
J. Heikkila y O. Silven, "A four-step camera calibration procedure with implicit image correction", Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, IEEE Comput. Soc, pp. 1106-1112.https://doi.org/10.1109/CVPR.1997.609468
H.-C. Kang, H.-N. Han, H.-C. Bae, M.-G. Kim, J.-Y. Son, y Y.-K. Kim, "HSV Color-Space-Based Automated Object Localization for Robot Grasping without Prior Knowledge", Applied Sciences, vol. 11, no. 16, p. 7593, 2021, http://doi.org/10.3390/app11167593.
D. Giuliani, "Metaheuristic Algorithms Applied to Color Image Segmentation on HSV Space", J Imaging, vol. 8, no. 1, p. 6, 2022, https://doi.org/10.3390/jimaging8010006
H. Zhang, G. Guan, H. Zhao, X. Liu, L. Xue, y C. Xiong, "Design of image transmission system based on TCP/IP protocol", en 2022 IEEE 4th International Conference on Civil Aviation Safety and Information Technology (ICCASIT), IEEE, 2022, pp. 617-622. https://doi.org/10.1109/ICCASIT55263.2022.9987111
IBM Corporation, "Sockets", IBM Corporation. Consultado: el 26 de julio de 2023. [En línea]. Disponible en: https://www.ibm.com/docs/es/aix/7.3?topic=concepts-sockets
T. Sun, K. Tang, y D. Li, "Gradient Descent Learning With Floats", IEEE Trans Cybern, vol. 52, no. 3, pp. 1763-1771, 2022, http://doi.org/10.1109/TCYB.2020.2997399.
J. Fliege, A. I. F. Vaz, y L. N. Vicente, "Complexity of gradient descent for multiobjective optimization", Optim Methods Softw, vol. 34, no. 5, pp. 949-959, 2019, http://doi.org/10.1080/10556788.2018.1510928.
Derechos de autor 2023 Ciencia e Ingeniería Neogranadina
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
