Predicción de deslizamiento mediante la segmentación de imágenes táctiles

  1. Castaño-Amorós, Julio 1
  2. Gil, Pablo 1
  1. 1 Universitat d'Alacant
    info

    Universitat d'Alacant

    Alicante, España

    ROR https://ror.org/05t8bcz72

Libro:
XLIV Jornadas de Automática: libro de actas: Universidad de Zaragoza, Escuela de Ingeniería y Arquitectura, 6, 7 y 8 de septiembre de 2023, Zaragoza
  1. Ramón Costa Castelló (coord.)
  2. Manuel Gil Ortega (coord.)
  3. Óscar Reinoso García (coord.)
  4. Luis Enrique Montano Gella (coord.)
  5. Carlos Vilas Fernández (coord.)
  6. Elisabet Estévez Estévez (coord.)
  7. Eduardo Rocón de Lima (coord.)
  8. David Muñoz de la Peña Sequedo (coord.)
  9. José Manuel Andújar Márquez (coord.)
  10. Luis Payá Castelló (coord.)
  11. Alejandro Mosteo Chagoyen (coord.)
  12. Raúl Marín Prades (coord.)
  13. Vanesa Loureiro-Vázquez (coord.)
  14. Pedro Jesús Cabrera Santana (coord.)

Editorial: Servizo de Publicacións ; Universidade da Coruña

ISBN: 9788497498609

Ano de publicación: 2023

Páxinas: 551-556

Congreso: Jornadas de Automática (44. 2023. Zaragoza)

Tipo: Achega congreso

Resumo

El uso de sensores táctiles está comenzando a ser una práctica común en tareas complejas de manipulación robótica. Este tipo de sensores proporcionan información extra sobre las propiedades físicas de objetos que están siendo agarrados y/o manipulados. En este trabajo, se ha implementado un sistema capaz de medir el deslizamiento rotacional que pueden sufrir objetos durante su manipulación. Nuestra propuesta emplea sensores táctiles ópticos DIGIT, a partir de los cuáles se capturan imágenes de contacto que luego se procesan e interpretan. En concreto, nuestro método hace uso de un modelo neuronal para la detección de la región de contacto. Y posteriormente, mediante extracción de características visuales de la región detectada, se estima el ángulo causado por movimientos de deslizamiento. Nuestro método estima correctamente la región de contacto obteniendo un 95% y 91% usando las métricas Dice e IoU. Y es capaz de obtener un error medio máximo de 3o en agarres de objetos nunca vistos anteriormente.