Zastosowanie kamer hiperspektralnych w nawigacji robotów mobilnych

Więckowski, Rafał; Jakubczyk, Kacper; Siemiątkowska, Barbara

Artykuł - szczegóły

Tytuł artykułu

Zastosowanie kamer hiperspektralnych w nawigacji robotów mobilnych

Autorzy

Więckowski Rafał , Jakubczyk Kacper , Siemiątkowska Barbara

Identyfikatory

Warianty tytułu

Application of hyperspectral cameras in navigation systems of mobile robots

Języki publikacji

Abstrakty

Ocena przejezdności terenu jest zwykle dokonywana na podstawie mapy wysokości, w przypadku pojazdów istotna jest nie tylko geometria terenu, ale także rodzaj podłoża np. trawa, droga wyboista, asfalt. W poniższym artykule proponujemy wykorzystanie kamery hiperspektralnej i metody porównywania histogramów do klasyfikacji rodzaju podłoża. Przedstawiliśmy wyniki eksperymentów dla danych zebranych w rzeczywistym środowisku. Wykazaliśmy, że zastosowanie kamery hiperspektralnej umożliwia rozpoznawanie różnego typu powierzchni podłoża.

An important element of the navigation system is the assessment of traversability. It is usually made on the basis of a height map. In the case of vehicles, not only the height is important, but also the type of ground, e.g. grass, bumpy road, asphalt. In the following article, we propose the use of a hyperspectral camera and a method of comparing histograms to classify the type of substrate. We presented the results of the experiments for data collected in a real environment.

Słowa kluczowe

roboty mobilne nawigacja

mobile robots navigation

Wydawca

Oficyna Wydawnicza Politechniki Warszawskiej

Czasopismo

Prace Naukowe Politechniki Warszawskiej. Elektronika

Rocznik

2022

Tom

z. 197, t. 1

Strony

201--210

Opis fizyczny

Bibliogr. 19 poz., rys., wykr.

Twórcy

autor

Więckowski Rafał

Sieć Badawcza Łukasiewicz – Przemysłowy Instytut Automatyki i Pomiarów PIAP

autor

Jakubczyk Kacper

Politechnika Warszawska, Instytut Automatyki i Robotyki

autor

Siemiątkowska Barbara

Politechnika Warszawska, Instytut Automatyki i Robotyki

Bibliografia

1. Duszak P. and Siemiątkowska B.: The application of hexagonal grids in mobile robot Navigation, Conference Mechatronics, Recent Advances Towards Industry, Advances in Intelligent Systems and Computing, 2020, vol. 1044, Springer, s. 198-205, ISBN 978-3-030-29992-7. DOI:10.1007/978-3-030-29993-4_25
2. Reinoso O.; Paya L. Special Issue on Mobile Robots Navigation. Applied Sciences, 2020, 10, 1317
3. Siegwart R. and Nourbakhsh I., R.: Introduction to Autonomous Mobile Robots. Bradford Company, MA, USA (2004)
4. Elfes A.: Using occupancy grids for mobile robot perception and navigation. Computer, vol. 22, no. 6, pp. 46-57, (1989).
5. Zhang Y., Tian G., Shao X., Cheng J.: Effective Safety Strategy for Mobile Robots Based on Laser-Visual Fusion in Home Environments, (2021), IEEE Transactions on Systems, Man and Cybernetics: Systems PP(99):1-13
6. Thoresen Marius et al. “Path Planning for UGVs Based on Traversability Hybrid A.” IEEE Robotics and Automation Letters 6.2 (2021):1216-1223.
7. Belter Dominik and Piotr Skrzypczyński. „Rough terrain mapping and classification for foothold selection in a walking robot”. Journal of field Robotics 28.4(2011):497-528.
8. Piotr Duszak, Siemiątkowska Barbara, Rafał Więckowski, Hexagonal Grid-Based Framework for Mobile Robot Navigation, Remote Sensing, vol. 13, nr 21, 2021, s. 1-17,
9. Aasen Helge et al. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance, ISPRS Journal of Photogrammetry and Remote Sensing 108 (2015), 245-259.
10. Yue Jibo at al., Estimation of winter wheat above-ground biomass using ummanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models, Remote Sensing 9.7 (2017): 708.
11. Liu, Mengying et al., Discriminat Analysis of the Damage Degree Caused by pine Shoot Beetle to Yunnan Pine Using UAV-Based Hyperspectral Images, Forestes 11.12 (2020): 1258.
12. Teague Jonathan et al. A Review of Optical Techniques for Coral Monitoring and Introducing Low-Cost Hyperspectral Imaging, (2021).
13. Torti Emanuele et al. “Parallel classification pipelines for skin cancer detection exploiting hyperspectral imaging on hybrid systems”. Electronics 9.9 (2020):1503.
14. Jakob, Sandra, Robert Zimmermann and Richard Gloaguen, Processing of drone-borne hyperspectral data for geological applications, 2016 8th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS). IEEE, 2016.
15. Bajic Jr, Milan and Milan Bajic, Modeling and simulation of very high spatial resolution UXOs and landmines in a hyperspectral scene for UAV survery, Remote Sensing 13.5 (2021):837.
16. Boochs, Frank. Digital Techniques for Documenting and Preserving Cultural Heritage.
17. Ilehag, M. Sc Rebecca Maria and Phorogrammetrie und Bildanalyse. “Close-Range Urban Material Classification with Hyperspectral and Textural Features.
18. Agarwal, N.; Aluru N.R., A data-driven stochastic collocation approach for uncertainty quantification in MEMS (PDF), International Journal for Numerical Methods in Engineering, (2010), 83 (5):575-597.
19. Sung-Hyuk Cha, Sargur N. Sriharib, On measuring the distance between histograms, Pattern Recognition 35(6), 2002, 1355-1370

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-e1200ee2-bf1c-47db-ab0c-14a8ac4976a5