Learning-Based Robot Vision: Principles and Applications

روبات‌های صنعتی وظایف ساده‌ای را در محیط‌های سفارشی‌سازی شده انجام می‌دهند که معمولاً می‌توان تقریباً تمام حرکات e?ector را در طول یک فاز برنامه‌ریزی کرد. یک کنترل مستمر مبتنی بر بازخورد حسی در موقعیت‌های e?ector نزدیک مکان‌های هدف با استفاده از حسگرهای گشتاور یا لمسی حداکثر ضروری است. توسعه ربات‌های نسل جدید که درجات بالاتری از استقلال را برای حل وظایف عمدی سطح بالا در محیط‌های طبیعی و پویا نشان می‌دهند، مطلوب است. بدیهی است که سیستم های ربات مجهز به دوربین که تصاویر را می گیرند و پردازش می کنند و از داده های بصری استفاده می کنند، می توانند وظایف رباتیک پیچیده تری را حل کنند. توسعه یک ربات مجهز به دوربین (نیمه) مستقل باید بر اساس زیرساختی باشد که بر اساس آن سیستم بتواند به طور مستقل صلاحیت های مربوط به کار را به دست آورد و/یا تطبیق دهد. این زیرساخت شامل تجهیزات فنی برای پشتیبانی از ارائه نمونه‌های آموزشی دنیای واقعی، مکانیسم‌های یادگیری مختلف برای دستیابی خودکار تقریب‌های تابع، و روش‌های آزمایش برای ارزیابی کیفیت توابع آموخته شده است. بر این اساس، برای توسعه سیستم‌های ربات مجهز به دوربین خودگردان، ابتدا باید اشیاء مرتبط، موقعیت‌های بحرانی و جفت‌های موقعیت-عمل هدفمند را در مرحله آزمایشی قبل از مرحله کاربرد نشان داد. ثانیاً، مکانیسم‌های یادگیری مسئول جستجوی عملگرهای تصویر و مکانیسم‌های کنترل بازخورد بصری بر اساس تجربیات نظارت شده در محیط واقعی و مرتبط با کار هستند. این پارادایم توسعه مبتنی بر یادگیری به مفاهیم سازگاری و چندگانگی منجر می شود. سازگاری ها محدودیت های کلی در فرآیند تشکیل تصویر هستند که کم و بیش تحت تغییرات مربوط به کار یا تغییرات تصادفی شرایط تصویربرداری باقی می مانند.

Industrial robots carry out simple tasks in customized environments for which it is typical that nearly all e?ector movements can be planned during an - line phase. A continual control based on sensory feedback is at most necessary at e?ector positions near target locations utilizing torque or haptic sensors. It is desirable to develop new-generation robots showing higher degrees of autonomy for solving high-level deliberate tasks in natural and dynamic en- ronments. Obviously, camera-equipped robot systems, which take and process images and make use of the visual data, can solve more sophisticated robotic tasks. The development of a (semi-) autonomous camera-equipped robot must be grounded on an infrastructure, based on which the system can acquire and/or adapt task-relevant competences autonomously. This infrastructure consists of technical equipment to support the presentation of real world training samples, various learning mechanisms for automatically acquiring function approximations, and testing methods for evaluating the quality of the learned functions. Accordingly, to develop autonomous camera-equipped robot systems one must ?rst demonstrate relevant objects, critical situations, and purposive situation-action pairs in an experimental phase prior to the application phase. Secondly, the learning mechanisms are responsible for - quiring image operators and mechanisms of visual feedback control based on supervised experiences in the task-relevant, real environment. This paradigm of learning-based development leads to the concepts of compatibilities and manifolds. Compatibilities are general constraints on the process of image formation which hold more or less under task-relevant or accidental variations of the imaging conditions.