ПОКРАЩЕННЯ РОЗПІЗНАВАННЯ ПЕРЕШКОД В ЗАКРИТИХ СЕРЕДОВИЩАХ ДЛЯ РОБОТИЗОВАНИХ СИСТЕМ

Анотація

Точне розпізнавання перешкод відіграє вирішальну роль у забезпеченні безпечної та ефективної роботи робототехнічних систем у закритих приміщеннях, особливо в автомобільних додатках, де безпека та надійність мають вирішальне значення. Це дослідження зосереджується на покращенні ефективності сегментації типових перешкод у закритих приміщеннях, включаючи меблі та елементи конструкції. У дослідженні представлено огляд та аналіз останніх досягнень у галузі базових моделей сегментації, з акцентом на їхньому потенціалі в робототехнічних системах та використанні архітектур, таких як SAM2. Для оцінки їх застосовності ми адаптуємо універсальну модель сегментації, налаштовуючи її на RGB-зображення з набору даних NYU Depth V2, який містить широкий спектр внутрішніх сцен, знятих з точок зору, подібних до тих, що зустрічаються в робототехнічних системах. Інформація про глибину була виключена, щоб відобразити обмеження монокулярних камер, типових для вбудованої робототехніки. Адаптована модель досягає покращеної точності сегментації, досягаючи 82,4% mIoU, і демонструє більшу надійність у розпізнаванні перешкод у захаращених і візуально складних сценах. Результати експериментів  показують постійне покращення порівняно з базовою моделлю, з приростом продуктивності на 7,6%, що підтверджує цінність адаптації для конкретної галузі для покращення сприйняття роботами. Хоча якість сегментації варіюється залежно від кількості точкових підказок (продуктивність гірша з 5 точками, ніж з 15), покращення порівняно з базовою моделлю у випадку малих вхідних даних є значно вищим, на рівні 27,9%, що вказує на високу придатність для систем з обмеженими обчислювальними ресурсами. Ці результати підтверджують практичність використання попередньо навчених моделей сегментації, після їх належної адаптації, для підтримки вимог розпізнавання перешкод у навігації в приміщенні для робототехнічних платформ.