Integrating computing vision with deep learning for autonomous robot navigation

Abstract

Independent robot navigation needs to provide enormous information about the environment and maps, use high-resolution and cost sensors, and the allocation of software to characterize each task that the robot performs while navigating, another difficult task. As a result, such robots are highly expensive, can navigate in specific environments, and must have sufficient information about them. To overcome these difficulties and determinants of the cost of building robots, this study combines computer vision with the internal analysis algorithm of mobile robots using a hierarchical structure that combines different layers of the complex neural network. (CNN) Moreover, the decision-making process enables the robot to navigate independently in an indoor environment. It is done by training the overall system holistically on a new dataset built by a depth camera Low-cost that relies on its computer vision system mechanism and a manually controlled mobile robot (HCMR) built for this purpose. The output consists of teaching a proposed model of the critical moving trends that the robot uses to achieve independent analytical capability. It is done by moving this robot in real and diverse environments. The robot is trained using this data using CNN, which presents the outcome of the environmental investigation (control labels) that enables the robot to self-navigate without a map in an unknown environment. Furthermore, extensive indoor trials were carried out and received 77% accuracy. A Comparison of the current results with previous studies. This study concluded that the proposed model could reach better results than previous studies using an expensive sensor. In addition, another comparison was performed between the human-controlled robot and the trained robot using the deep learning process to determine decisions to control the robot's movement.Mobil robotların daha önce bilinmeyen ortamı keşfetmesini sağlamak, özellikle kapalı bir ortamda gezinirken zor bir işti. Bağımsız robot navigasyonunun, çevre ve haritalar hakkında çok büyük bilgilerin yanı sıra yüksek çözünürlüklü ve maliyet sensörlerinin kullanımı ve robotun navigasyon sırasında gerçekleştirdiği her görevi karakterize etmek için yazılım tahsisi sağlaması gerekir; bu da başka bir zor görevdir. Sonuç olarak, bu tür robotlar oldukça pahalıdır ve belirli ortamlarda gezinme yeteneğine sahiptir ve onlar hakkında yeterli bilgiye sahip olmalıdır. Bu zorlukların ve belirleyicilerin üstesinden gelmek ve robot inşa etme maliyetini azaltmak için, bu çalışma, kıvrık sinir ağının farklı katmanlarını birleştiren hiyerarşik bir yapı kullanarak mobil robotların dahili analiz algoritması ile bilgisayar vizyonunu birleştirerek çalışır. (CNN) ve robotun kapalı bir ortamda ve bağımsız olarak gezinmesini sağlayan karar verme süreci. Bunun, bir derinlik kamerası tarafından oluşturulan yeni bir veri kümesi üzerinde tüm sistemi bütünsel bir şekilde eğiterek yapıldığı durumlarda Bilgisayarlı görüş sistemi mekanizmasına dayanan düşük maliyetli ve bu amaç için oluşturulmuş manuel olarak kontrol edilen mobil robot (HCMR). Çıktı, robotun bağımsız analitik yetenek elde etmek için kullandığı kritik hareket eğilimlerinin önerilen bir modelini öğretmekten oluşur. Bu, bu robotu gerçek ve çeşitli ortamlarda hareket ettirerek yapılır. Robot daha sonra bu veriler kullanılarak CNN kullanılarak eğitilir ve bu, robotun bilinmeyen bir ortamda bir harita olmadan kendi kendine gezinmesini sağlayan çevresel araştırmanın (kontrol etiketleri) sonucunu sunar. Ayrıca, kapsamlı iç mekan denemeleri yapıldı ve %77 doğruluk elde edildi. Daha önceki çalışmalarla da kapsamlı bir kontrast yapılmıştır. Bu çalışma, önerilen modelin pahalı bir sensör kullanarak önceki çalışmalarda elde edilenlerden daha iyi sonuçlara ulaşabildiği sonucuna varmıştır. Ayrıca robotun hareketini kontrol etmeye yönelik kararları belirlemek için insan kontrollü robot ile derin öğrenme sürecini kullanan eğitimli robot arasında başka bir karşılaştırma yapılmıştır.