Búsqueda de objetos mediante conocimiento semántico en ambientes interiores

Abstract

En este trabajo se propone un nuevo enfoque probabilístico para la búsqueda informada de objetos mediante robots. La metodología está basada en un marco bayesiano que usa convoluciones entre verosimilitudes de observación y máscaras de relación espacial para estimar el mapa de probabilidad de encontrar el objeto buscado. Por medio del uso de máscaras de relación espacial, relaciones espaciales complejas entre los objetos pueden ser definidas como sumas ponderadas de las relaciones espaciales básicas utilizando matrices de coocurrencia como pesos. La estrategia de búsqueda considera dos métodos distintos para seleccionar la ruta por donde debe navegar el robot que son el cálculo del campo de visión óptimo que cubre la mayor probabilidad de encontrar el objeto buscado, y el cálculo de un máximo global de la utilidad esperada sobre las regiones creadas sobre el mapa. Ambos métodos permiten obtener una nueva pose óptima a partir de la pose actual y la información del mapa de probabilidad del objeto buscado. El algoritmo de búsqueda es validado en un ambiente de oficina con cuatro clases de objetos ("monitor", "teclado", "cpu", y "router") y se consideraron cuatro relaciones espaciales básicas ( muy cerca , cerca , lejos , muy lejos ). Los experimentos combinan estadísticas sobre la coocurrencia de objetos y sobre la detección en ambientes reales, y las pruebas de búsqueda usan una herramienta de simulación realista en el que varias pruebas comparan once algoritmos de búsqueda de objetos. Las simulaciones se realizaron utilizando diferentes escalas de vista en la detección de objetos; es decir que se verifica como varia la detección del sensor (cámara) en diferentes rangos de distancias: 1.0 , 1.25 , 1.50 , 1.75 , 2.0 , 2.25 y 2.50 [mt], esto con el fin de analizar el efecto de la calidad de la detección (tanto la calidad de una cámara como la del algoritmo de detección) en la tasa de detección.