استخراج ويژگي‌ از داده‌هاي عمق با استفاده از روش يادگيري عميق براي كنترلِ باناظر ربات چرخ‌دار

Feature Extraction from Depth Data using Deep Learning for Supervised Control of a Wheeled Robot

اين مقاله چارچوبي از يادگيري عميقِ با ناظر را جهت ناوبري ربات‌ چرخ‌دار در زمين‌هاي هموار با محوريت وظايف پيگيري ديوار و اجتناب از موانع ارائه مي‌نمايد. در اينجا، فرض بر اين است كه ربات تنها به يك سيستم بينايي (دوربين كينكت) مجهز است. چالش‌ اصلي در هنگام استفاده از تصاوير عمق، ابعاد بالاي تصاوير و استخراج ويژگي‌هاي مناسب از آنها با هدف كاهش ابعاد ورودي كنترلگر مي‌باشد. براي اين منظور در اين مقاله از يادگيري عميق بهره‌برداري شده و ويژگي‌هاي مناسبي بدست مي‌آيند كه بازنمايي تصاوير عمق هستند. چهار معماري با استفاده از اين ويژگي‌ها و سابقه‌هاي فرمان كنترلي براي كنترلگر ارائه مي‌شود. اين معماري‌ها در محيط شبيه‌ساز ويبات با يكديگر مقايسه مي‌شوند. آزمايش‌هاي انجام شده نشان مي‌دهد معماري بهره برنده از چهار دسته ورودي شامل: ويژگي‌هاي بازنمايي شده از داده‌هاي عمق، ويژگي‌هاي لحظه‌ي قبل، موقعيت خط سير در تصوير رنگي، و سابقه‌ي فرمان‌هاي پيشينِ كنترلگر مي‌تواند به خوبي كنترل ربات را در محيط‌هاي هموار و با مانع به انجام برساند.

This paper proposes a framework of Supervised Deep Learning (SDL) for wheeled robot navigation in soft terrains with a focus on wall following and obstacle avoidance tasks. Here, it is supposed the robot is only equipped with a vision system (Kinect camera). The main challenge while using depth images is high dimensionality of images and extracting proper features of them with a purpose of reducing input dimensionality of controller. To do this, the deep learning is utilized in this paper and the appropriate features which are the representation of depth images are acquired. Four architectures are created using this features and the history of steering commands. These architectures are compared in WEBOT simulator. The experiments show that the proposed architecture with four groups of features including: the represented features of depth data, previous represented features, the position of trajectory in color image, and the history of previous steering commands can control the robot in soft terrain with a variety of obstacles as well.