Principios básicos para el desarrollo de una aplicación de bi-manipulación de cajas por un robot humanoide

J. Hernandez-Vicen; S. Martinez; C. Balaguer

doi:10.4995/riai.2020.13097

Autores/as

J. Hernandez-Vicen Universidad Carlos III de Madrid https://orcid.org/0000-0001-9370-9286
S. Martinez Universidad Carlos III de Madrid https://orcid.org/0000-0003-3539-4583
C. Balaguer Universidad Carlos III de Madrid https://orcid.org/0000-0003-4864-4625

DOI:

https://doi.org/10.4995/riai.2020.13097

Palabras clave:

Visión por computador, corrección errores, clasificación, robot humanoide

Resumen

La logística es un sector que está en continuo crecimiento, debido tanto a la globalización, como a la actual situación creada por el Covid. En este artículo se describe una aplicación para reconocer cajas, extrayendo sus características con el fin de identificar la cara de apertura por medio de un sistema de visión por computador. Este objetivo se ha conseguido teniendo en cuenta las dimensiones y la posición en el espacio de la misma, logrando estas características a través de técnicas de procesamiento de imagen en 2D y en 3D. Posteriormente, la información correspondiente a las caras de la caja es clasificada con un árbol de decisiones, obteniendo así la probabilidad de que cada una de las seis caras sea la de apertura. Este artículo sirve para establecer las bases para desarrollar en un futuro una aplicación en la que el robot humanoide TEO mediante aprendizaje encuentre la forma más óptima de bimanipular cajas y abrirlas, integrando este conocimiento en un sistema automatizado.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

J. Hernandez-Vicen, Universidad Carlos III de Madrid

Dep. Ingeniería de Sistemas y Automática. Investigador

S. Martinez, Universidad Carlos III de Madrid

Dep. Ingeniería de Sistemas y Automática. Profesor titular

C. Balaguer, Universidad Carlos III de Madrid

Dep. Ingeniería de Sistemas y Automática. Catedrático

Citas

Galeano, S. 2019. El ecommerce español se quedó a las puertas de la barrera psicológica de los 40.000 millones de euros en 2018. 2019, de marketing4ecommerce Sitio web: https://marketing4ecommerce.net/facturacion-anual-ecommerce-espanol-no-supera-40-000-mme-cnmc-2018/

World Bank Group, 2019. Country Score Card: Spain 2018. Recuperado el 12/2019, de World Bank Group Sitio web: https://lpi.worldbank.org/international/scorecard/line/254/C/ESP/2018/C/ESP/2016/C/ESP/2014/C/ESP/2012/C/ESP/2010/C/ESP/2007#chartarea

García Juez, I. 2017. La logística y el transporte en España suponen el 8% del PIB y y emplean a 800.000 personas. Ok Diario. Recuperado el 12/2019 de https://okdiario.com/economia/sector-logistica-transporte-espana-supone-8-del-pib-emplea-800-000-personas-1368706

Echelmeyer, W., Kirchheim, A., & Wellbrock, E. (2008, September). Robotics-logistics: Challenges for automation of logistic processes. In 2008 IEEE International Conference on Automation and Logistics (pp. 2099-2103). IEEE. https://doi.org/10.1109/ICAL.2008.4636510

Martínez, S., Monje, C. A., Jardón, A., Pierro, P., Balaguer, C., & Munoz, D. (2012). Teo: Full-size humanoid robot design powered by a fuel cell system. Cybernetics and Systems, 43(3), 163-180. https://doi.org/10.1080/01969722.2012.659977

C. A. Monje, S. Martínez, A. Jardón, P. Pierro, C. Balaguer and D. Muñoz, "Full-size humanoid robot TEO: Design attending mechanical robustness and energy consumption," 2011 11th IEEE-RAS International Conference on Humanoid Robots, Bled, 2011, pp. 325-330. https://doi.org/10.1109/Humanoids.2011.6100835

Hernandez-Vicen, J., Martinez, S., Garcia-Haro, J., & Balaguer, C. (2018). Correction of visual perception based on neuro-fuzzy learning for the humanoid robot TEO. Sensors, 18(4), 972. https://doi.org/10.3390/s18040972

Vázquez, E. (2015). Técnicas de visión artificial robustas en entornos no controlados. Tesis doctoral, Universidad de Vigo, Vigo, España. Recuperado el 13 de Enero de 2020, de https://dialnet.unirioja.es/servlet/dctes?codigo=124604

Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. " O'Reilly Media, Inc.".

Bradski, G., & Kaehler, A. (2000). OpenCV. Dr. Dobb’s journal of software tools, 3.

Brahmbhatt, S. (2013). Practical OpenCV. Apress. https://doi.org/10.1007/978-1-4302-6080-6

Elfring, J. (2013). Image Processing Using OpenCV. Online (Feb 2018).

OpenCV: Hough Line Transform. (2020). Recuperado 20 Enero 2020, de https://docs.opencv.org/3.4/d9/db0/tutorial_hough_lines.html

de la Escalera, A., Armingol, J. M., Pech, J. L., & Gómez, J. J. (2010). Detección Automática de un Patrón para la Calibración de Cámaras. Revista Iberoamericana de Automática e Informática Industrial RIAI, 7(4), 83-94. https://doi.org/10.1016/S1697-7912(10)70063-7

Wang, Y. M., Li, Y., & Zheng, J. B. (2010, June). A camera calibration technique based on OpenCV. In The 3rd International Conference on Information Sciences and Interaction Sciences (pp. 403-406). IEEE. https://doi.org/10.1109/ICICIS.2010.5534797

Tesseract-ocr/tesseract. (2020). Recuperado el 20 Enero 2020, de https://github.com/tesseract-ocr/tesseract.

Shah, P., Karamchandani, S., Nadkar, T., Gulechha, N., Koli, K., & Lad, K. (2009, November). OCR-based chassis-number recognition using artificial neural networks. In 2009 IEEE International Conference on Vehicular Electronics and Safety (ICVES) (pp. 31-34). IEEE. https://doi.org/10.1109/ICVES.2009.5400240

Millán, D. B., Boticario, J. G., & Viñuela, P. I. (2006). Aprendizaje automático. Sanz y Torres.

Sempere, J. (2014). Aprendizaje de árboles de decisión. Universidad Politécnica de Valencia, Valencia.

Breiman, L. (2017). Classification and regression trees. Routledge. https://doi.org/10.1201/9781315139470

Rebollo, F. F., & Barrojo, D. (2009). Aprendizaje por Refuerzo. Aprendizaje Automático, Departamento de Informática, Escuela Politécnica Superior.