Aplicação de uma técnica de visão estéreo comparada com uma rede neural na manipulação robótica

Abstract

A robótica tem evoluído desde sua concepção inicial para automatizar tarefas repetitivas e perigosas, expandindo sua presença em ambientes cotidianos e industriais. Atualmente, a robotização é um fator importante para aumentar a produtividade e a flexibilidade dos processos industriais, destacando-se como um dos pilares da Quarta Revolução Industrial com foco em automatização e controle em tempo real. A integração com a Inteligência Artificial tem revolucionado a robótica, facilitando a programação e a otimização de processos. O estudo em questão investiga o desempenho de duas abordagens para manipulação robótica: a visão estéreo tradicional e o deep learning. A visão estéreo binocular, que usa duas câmeras para calcular a posição em três dimensões de objetos, enfrenta desafios como a necessidade de calibração e compensação de distorção de lentes. Em contraste, as redes neurais, têm mostrado resultados promissores, simplificando a detecção e a previsão de posições com menor dependência de calibração. Os resultados comparativos desse trabalho mostram que ambas as metodologias apresentam precisão semelhante. Foram medidos desvios padrão de erros inferiores à 1mm utilizando a rede neural como modelo para estimar a posição de objetos. A escolha entre os métodos pode depender de recursos computacionais e complexidade desejada, com ambos sendo eficazes para aplicações práticas

Robotics has evolved since its initial conception to automate repetitive and dangerous tasks, expanding its presence in domestic and industrial environments. Nowadays, robotics are an important factor for increasing productivity and flexibility in industrial processes as one pilar in the Fourth Industrial Revolution with a focus on automation and real-time control. Integration with Artificial Intelligence (AI) has revolutionized robotics, facilitating programming and process optimization. The study in question investigates the performance of two approaches to robotic manipulation: traditional stereo vision and deep learning. Stereo vision, which uses two cameras to calculate the 3D position of objects, faces challenges such as the calibration and lens distortion. In contrast, neural networks have shown promising results, simplifying detection and position prediction with less dependency on calibration. The comparative results of this work show that both methodologies exhibit similar accuracy. The value of 1mm was measured for the standard deviation error using the neural network model to estimate object position. The choice between the methods may depend on computational resources and the desired complexity, with both being effective for practical applications

La robotique a évolué depuis sa conception initiale pour automatiser les tâches répétitives et dangereuses, sa présence à élargi dans les environnements domestiques et industriels. Actuellement, la robotique favorise la productivité et flexibilité des processus industriels en tant qu’un des piliers de la Quatrième Révolution Industrielle avec un focus sur l'automatisation et le contrôle en temps réel. L'intégration avec l'Intelligence Artificielle (IA) a révolutionné la robotique, facilitant la programmation et l'optimisation des processus. L'étude en question évalue la performance de deux méthodes pour la manipulation robotique: la vision stéréo traditionnelle et l'apprentissage profond. La vision stéréo, qui utilise deux caméras pour calculer la position des objets dans l’espace, rencontre des défis tels que la calibration et les distorsions des lentilles. En revanche, les réseaux neuronaux ont montré des résultats souhaitables, simplifiant la détection et la prévision des positions avec une dépendance réduite à la calibration. Les résultats comparatifs de ce travail montrent que les deux méthodologies présentent une précision similaire. Avec le modèle neuraux pour estimer la position des objets, des écarts-types des erreurs mineurs que 1mm ont été mesurés. Le choix entre les méthodes dépendant des ressources informatiques et de la complexité souhaitée, où les deux sont efficaces pour des applications pratiques.