Sistema de aprendizagem para redes de sensores de tato baseado em visão por computador e Supervised Learning

Abstract

A presente dissertação resultou da elaboração de um projeto individual, em ambiente laboratorial, no âmbito do 5º ano do Mestrado Integrado de Engenharia Eletrónica Industrial e Computadores. O objetivo primordial consistiu no desenvolvimento de um sistema de deteção de tato em tempo real, tendo como propósito a sua acoplação ao projeto CHARMIE, que corresponde a um robô colaborativo para ambientes domésticos e médicos. Este sistema consiste numa manga com um conjunto de sensores embebidos e foi estruturado com base numa outra manga, denominada de calibração, que utiliza um algoritmo de Visão por Computador para adquirir os dados relevantes. Das duas mangas, a de calibração foi avaliada com base em dados de ambientes de simulação e reais, apresentando um ótimo desempenho em ambos. Para a manga de teste, inicialmente, foram desenvolvidos protótipos, com o propósito de analisar qual o sensor mais adequado. Posteriormente, foi construída a manga de teste. Por fim, há a constituição de três modelos finais: dois deles utilizam a manga de teste com uma estrutura rígida, sendo que a principal distinção entre os dois reside no tipo de rede aplicada. A primeira utiliza uma ANN simples, enquanto que, a segunda reutiliza a CNN desenvolvida para a manga de calibração, através da implementação do Transfer Learning. O terceiro modelo emprega a manga maleável com a mesma ANN do primeiro modelo. Estes três métodos distintos são implementados, de forma a avaliar qual a arquitetura que apresenta melhores resultados. Todos estes modelos utilizam Inteligência Artificial, mais concretamente Deep Learning, proporcionando uma capacidade de implementação de sistemas que aprendem com os dados fornecidos, sem haver a necessidade de programação específica. Para ambas as implementações, são utilizados algoritmos de Supervised Learning, que utilizam um conjunto de dados referenciados para identificar padrões e classificá-los. Para cada modelo estruturado, foram selecionados os hiperparâmetros, tais como taxa de aprendizagem, epochs, batch size, de forma detalhada, analisando e comparando os diferentes resultados.

This dissertation started from the development of an individual project, in laboratory environment, in the 5th year of the Integrated Master of Industrial Electronics and Computer Engineering. The main goal was the development of a real-time touch detection system, with the purpose of coupling it to the CHARMIE project, which consists of a collaborative robot for domestic and medical environments. This system consists of an artificial skin with a set of embedded sensors and was structured based on a sleeve, called calibration, which uses a Computer Vision algorithm to acquire the relevant data. Of the two sleeves, the calibration sleeve was evaluated against data from both simulation and real time environments, performing well in both. For the test sleeve, prototypes were initially developed in order to determine the most suitable sensor. Subsequently, the test sleeve was built. Finally, three final models were built: two of them use the test sleeve with a rigid structure, and the main distinction between both is the type of network applied. The first uses a simple ANN and the second reuses the CNN developed for the calibration sleeve by implementing Transfer Learning. The third model employs the malleable sleeve with the same ANN as the first model. These three distinct methods are implemented in order to evaluate which architecture performs better. All of these models use Artificial Intelligence, more precisely, Deep Learning, providing the ability to implement systems that learn from the data given, without the need for specific and rigorous programming, reducing its complexity. For both implementations, Supervised Learning algorithms are used, which use a referenced dataset to identify patterns and classify them. For each structured model the hyperparameters were selected in detail, analysing and comparing the different results.