Control del movimento de un Crawler con visión artificial

Abstract

El proyecto se ha llevado a cabo dentro de las inmediaciones del grupo de investigación SARTI. Uno de los proyectos abiertos de este grupo está vinculado al control de un Crawler para la exploración del fondo marino. El estado inicial del proyecto constaba del propio Crawler siendo capaz de moverse a través de un servidor HTTP instalado en la placa ODROID C2 que lo mueve. La vía de desarrollo del proyecto se centraba en la incorporación de un sistema de identificación de formas, objetos o fauna marina. Por ello, se determinó que el siguiente paso sería crear este sistema e intentar acoplarlo a los movimientos de los motores del Crawler. Inicialmente, se desarrolló un primer control basado en una conexión cliente-servidor PTP con cliente LabVIEW para poder conectarnos directamente sin pasar por el servidor HTTP. Para la parte de identificación se optó por realizar la identificación de objetos utilizando Deep Learning. Finalmente, una vez entrenada una red neuronal convolucional se consiguió generar un sistema de conducción autónoma utilizando principalmente la cámara IP, OpenCV y comunicación TCP.

This project has been performed within the research group Centro de Desarrollo de Sistemas de Adquisición Remota y Tratamiento de la Información, hereinafter referred as SARTI. Once of SARTI’s currently ongoing Project is related to the control of a crawler for seabed exploration. Initially, the crawler was able to move by means of a HTTP server installed in the ODROID C2. The development route of the project focused on the incorporation a system for identifying shapes, objects or sea fauna. Therefore, it was determined that the creation of this system and its coupling to the movements of the crawler engines was the next necessary step. Initially, a first control based on a client-server PTP with LabView was developed in order to allow a direct connection without need to go through the HTTP server. In order to perform the seabed’s identification, object identification by means of Deep Learning was used. Finally, after training the convolutional neural network, an autonomous driving system was generated using an IP camera, OpenCV and TPC communication.