ĐIỀU KHIỂN ROBOT PIONEER P3-DX BÁM SÁT ĐỐI TƯỢNG

Mã Trường Thành * , Hà Duy An , Phạm Nguyên Khang , Triệu Thanh Ngoan và Lâm Chí Nguyện

* Tác giả liên hệ (mtthanh@nomail.com)

Article Sidebar

Full Text: PDF

Ngày nhận bài: 03-09-2013
Ngày duyệt đăng: 21-10-2013
Ngày xuất bản: 01-10-2013
Title: Control of robot Pioneer P3-DX for object tracking
Lượt xem
89
Downloads
49
Trích dẫn
Thành, M. T., An, H. D., Khang, P. N., Ngoan, T. T., & Nguyện, L. C. (2013). ĐIỀU KHIỂN ROBOT PIONEER P3-DX BÁM SÁT ĐỐI TƯỢNG. Tạp chí Khoa học Đại học Cần Thơ, (CĐ Công nghệ TT), 11-19. Truy vấn từ https://ctujsvn.ctu.edu.vn/index.php/ctujsvn/article/view/1881
Số báo
Số. CĐ Công nghệ TT (2013)
Chuyên mục
Công nghệ thông tin

Abstract

In this paper, we present how to combine the machine learning algorithms into Pioneer P3-DX Robot that control the Robot's behaviors, movements, and tracking according to the real time. The machine learning algorithm, Cascades of Boosted Classifiers with Haar-Like Feature, can be used to detect and regconize objects. Next, we used Camshift Algorithms (Continiously Adaptive Meanshift) to monitor the object's activities within a flat image. Finally, based on the object's size and position in the flat image, we control the Robot to move and keep track of the object. The experimental results so that the Robot has been operated as the target objectives such as controlling behaviors, moving and keeping track of an object.
Keywords: Camshift, meanshift, object detection, tracking object, haar-like feature, adaboost, robot Pioneer, cascades of boosted classifers

Tóm tắt

Trong bài này, chúng tôi trình bày cách kết hợp các giải thuật máy học vào Robot Pioneer P3-DX nhằm điều khiển các hành vi, di chuyển và bám sát của Robot theo thời gian thực. Giải thuật máy học Cascades of Boosted Classifiers sử dụng đặc trưng Haar-Like Feature có thể phát hiện, nhận dạng đối tượng. Tiếp theo chúng tôi sử dụng giải thuật CamShift (Continuously Adaptive MeanShift) để giám sát hoạt động của đối tượng trong phạm vi mặt phẳng ảnh. Bước cuối cùng là tính toán vị trí và kích thước của đối tượng trên mặt phẳng ảnh để điều khiển Robot hoạt động và bám sát theo đối tượng. Kết quả thử nghiệm cho thấy Robot đã hoạt động đảm bảo các mục tiêu đặt ra như điều khiển các hành vi, di chuyển và bám sát đối tượng.
Từ khóa: Camshift, meanshift, phát hiện đối tượng, bám sát đối tượng, đặc trưng haar-like, adaboost, robot Pioneer, cấu trúc phân tầng

Article Details

Tài liệu tham khảo

A. Treptow, A. Masselli and A. Zell (2003). Real-Time Object Tracking for Soccer-Robots without Color Information. University of Tuebingen Department of Computer Science, Gemany.

A. WhitBrook (2010). Programming Mobile Robot with Aria and Player. Springer.

A. Mittal and M. Paragios (2004). Motion Based Background Subtraction using Adaptive Kernel Density Estimation.pp. 302-309.

Artner (2008). A Comparison of Mean Shift Tracking Methods.Digital Media, Upper Austria University of Applied Sciences.

C. Zhang, Y. Qiao, E. Fallon, and C. Xu (2009). An improved camshift algorithm for target tracking in video surveillance. In Proceedings of 9th. IT and T Conference, number 12.

D. Beymer and Konolige K (2001). Tracking people from a mobile platform. In IJCAI-2001 Workshop on Reasoning with Uncertainty in Robotics.

D. Comaniciu and V. Ramesh (2009). “Mean Shift and Optimal Prediction for Efficient Object Tracking,”Proc. Int'l Conf. Image Processing, vol. III, pp. 70-73, 2000. 20 Sept.

D. Comaniciu, Dorin, Peter Meer (2002). "Mean Shift: A Robust Approach Toward Feature Space Analysis". IEEE Transactions on Pattern Analysis and Machine Intelligence.

D. Kortenkamp, E. Huber, and R. P. Bonasso (1996). Recognizing and interpreting gestures on a mobile robot. InProc. of the American Conference on Artificial Intelligence.

G. Bradski and A. Kaehler (2012). Learning OpenCV. O'Reilly Media.

Gary R. Bradski (1998). Computer Vision Face Tracking For Use in a Perceptual User Interface. Microcomputer Reseacher Lab, Santa Clara, CA, Intel Corporation.

I.J. Cox and S.L (1996). Hingorani. An efficient implementation of reids multiple hypothesis tracking algorithm and its evaluation for the purpose of visual tracking. IEEE Transactions on PAMI, 18(2):138–150.

J. MacCormick and A. Blake (1999). A probabilistic exclusion principle for track-ing multiple objects. InProc. of 7th International Conference on Computer Vision (ICCV), pages 572–587.

K. Fukunaga and L.D. Hostetler (1975). The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition. IEEE Trans. Information Theory, vol. 21, pp. 32-40.

M. Mercimek, K. Gulez and T.V. Mumcu (2005). Real object recognition using moment invariants. Yildiz Technical University, Electrical-Electronics Faculty, Electrical Engineering Department, 34349 Besiktas-Istanbul, Turkey.

P. Viola and M. Jones (2001). Robust Real-time Object Detection. International Journal of Computer Vision.

Phạm Hồng Ngự (2009). Nhận dạng đối tượng sử dụng thuật toán Adaboost. Luận văn Thạc sỹ. Đại học Huế.

R. Lienhart, J. Maydt (2002). An Extended Set of Haar-like Features for Rapid Object Detection. Intel Labs, Intel Corporation, Santa Clara, CA 95052, USA.

Y. Freund, and R. Shapire (1995). A decision-theoretic generalization of on-line learning and an application to boosting. Proceedings of the Second European Conference on Computational Learning Theory. pp. 23-37.

Y.Cheng (1995). Mean Shift, Mode Seeking, and Clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 17, no. 8. August.

PHỤ LỤC

Robot di chuyển thẳng tới123

54

13245

Hình 10:Robot di chuyển thẳng tới

Robot di chuyển rẽ trái132

45

654321

Hình 12:Robot di chuyển rẽ trái

Robot di chuyển rẽ phải

13245

13245

Hình 11:Robot di chuyển rẽ phải

Robot di chuyển lùi132

54

45

Hình 13:Robot di chuyển lùi