Aplicación de técnicas de aprendizaje máquina para el control de un pequeño vehículo

Abstract

[Resumen] El principal objetivo de este trabajo, es desarrollar un sistema donde sea posible trabajar con algoritmos de aprendizaje máquina en tiempo real sobre un pequeño vehículo. La técnica escogida ha sido las redes de neuronas convolucionales. El sistema necesita recopilar el conjunto de datos de entrenamiento y test, es decir, las imágenes y acciones que se deben ejecutar para realizar una tarea. Para simplificar el proceso, sólo necesita que un operador controle directamente el robot. Hemos propuesto un mecanismo basado en flujo óptico para etiquetar automáticamente las imágenes capturadas y generar los comandos de control del robot. Para el control del desarrollo, se ha seguido la metodología ágil. Las pruebas del proyecto fueron ejecutadas sobre una placa Raspberry Pi 3 Model B+ y el vehículo usado ha sido el robot Makebock Ranger equipado con una cámara Raspicam de bajo coste. Los experimentos se han realizado en un circuito real, alojado en un entorno controlado, variando el color y la forma de las superficies y sus líneas. Se han entrenado distintos tipos de redes (clasificación y regresión) para ejecutar una o varias tareas (seguir carril o seguir línea).

[Abstract] The main objective of this work is to develop a system where it is possible to work with machine learning algorithms in real time on a small vehicle. The chosen technique has been convolutional neuron networks. The system needs to collect the training and test data set, that is, the images and actions that must be executed to perform a task. To simplify the process, you only need one operator to directly control the robot. We have proposed an optical flow-based mechanism to automatically tag captured images and generate robot control commands. To control development, the agile methodology has been followed. The project tests were carried out on a Raspberry Pi 3 Model B + board and the vehicle used was the Makebock Ranger robot equipped with a low-cost Raspicam camera. The experiments have been carried out in a real circuit, housed in a controlled environment, varying the color and shape of the surfaces and their lines. Different types of networks (classification and regression) have been trained to carry out one or more tasks (following the lane or following the line).