استخراج ویژگی از داده های عمق با استفاده از روش یادگیری عمیق برای کنترل باناظر ربات چرخ دار

این مقاله چارچوبی از یادگیری عمیق با ناظر را جهت ناوبری ربات چرخ دار در زمین های هموار با محوریت وظایف پیگیری دیوار و اجتناب از موانع ارائه می نماید. در اینجا، فرض بر این است که ربات تنها به یک سیستم بینایی (دوربین کینکت) مجهز است. چالش اصلی در هنگام استفاده از تصاویر عمق، ابعاد بالای تصاویر و استخراج ویژگی های مناسب از آنها با هدف کاهش ابعاد ورودی کنترلگر می باشد. برای این منظور در این مقاله از یادگیری عمیق بهره برداری شده و ویژگی های مناسبی بدست می آیند که بازنمایی تصاویر عمق هستند. چهار معماری با استفاده از این ویژگی ها و سابقه های فرمان کنترلی برای کنترلگر ارائه می شود. این معماری ها در محیط شبیه ساز ویبات با یکدیگر مقایسه می شوند. آزمایش های انجام شده نشان می دهد معماری بهره برنده از چهار دسته ورودی شامل: ویژگی های بازنمایی شده از داده های عمق، ویژگی های لحظه ی قبل، موقعیت خط سیر در تصویر رنگی، و سابقه ی فرمان های پیشین کنترلگر می تواند به خوبی کنترل ربات را در محیط های هموار و با مانع به انجام برساند.