An Application of PointNet++ for Semantic Classification of Robot Locations via 2D Laser Data in Indoor Environments
| Autor: | TURGUT, Kaya, KALECİ, Burak |
|---|---|
| Jazyk: | turečtina |
| Rok vydání: | 2020 |
| Předmět: | |
| Zdroj: | Volume: 2, Issue: 2 229-246 Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi |
| ISSN: | 2667-8764 |
| Popis: | Son yıllarda, robotlar tarafından yapılması beklenen görevlerin çeşidi ve sayısı her geçen gün artmaktadır. Örneğin, hastane ve okul gibi büyük iç ortamlarda bir nesnenin bir konumdan başka bir konuma taşınması ya da insanlara gitmek istedikleri yere kadar rehberlik edilmesi gibi görevler bunlardan bazılarıdır. Robot konumlarının anlamsal olarak sınıflandırılması, bu görevlerin başarı ile gerçekleştirilmesine katkıda bulunabilir. İç ortamlarda robotun bulunabileceği temel anlamsal sınıflar; oda, koridor, kapı, hol, asansör ve merdiven olarak kabul edilebilir. Geçmiş çalışmalarda, robotun bulunduğu konumun anlamsal sınıfını tespit etmek amacıyla 2B lazer verisi kümeleme, denetimli ve denetimsiz makine öğrenmesi teknikleri ile kullanılmıştır. Bu çalışmada, geçmiş çalışmalardan farklı olarak nokta tabanlı derin öğrenme mimarisi PointNet++, robot konumlarının oda ya da koridor anlamsal sınıflarından hangisinde olduğunu belirlemek amacıyla kullanılmıştır. Bunu yapabilmek için 2B lazer mesafe ölçerden elde edilen ham mesafe verileri nokta bulutuna dönüştürülmüş ve PointNet++ mimarisine girdi olarak verilmiştir. Ayrıca, mimarinin oda ve koridor sınıflarının karakteristiklerini boyutlardan bağımsız olarak öğrenmesi amacıyla ham veri ölçeklendirilerek veri artırımı (data augmentation) yapılmıştır. Gerçeklenen yöntemin başarısının test edilmesi için farklı boyutlarda oda ve koridorlara sahip Freiburg 79, Freiburg 52, ESOGÜ ve SDR-B binalarından toplanan örneklerin oluşturduğu veri kümeleri kullanılmıştır. Test sonuçları sınıflandırma doğruluğu, duyarlılık, kesinlik ve F1 ölçütü ile değerlendirilmiştir. In recent years, the variety and number of tasks that expected to perform by robots have been increasing. For example, some of these tasks are to carry an object from a location to another one or to guide people where they desire to reach in large indoor environments such as school and hospital. The semantic classification of the robot locations may contribute to the robots while performing these tasks successfully. In indoor environments, room, corridor, door, hall, elevator, and stair could be considered as the semantic classes that the robot can locate. In previous studies, clustering, supervised, and unsupervised machine learning techniques used with 2D laser data to classify robot locations semantically. In this work, apart from the previous studies, the point-based deep learning architecture PointNet++ was utilized to determine the room or corridor semantic classes. To do that, the raw distance data acquired with the 2D laser range finder was converted to point cloud and the resultant data is used to feed the PointNet++ architecture. Besides, data augmentation was applied to raw point cloud data by means of scaling operation to learn the characteristics of the room and corridor classes regardless of dimensions. The Freiburg 79, Freiburg 52, ESOGU, and SDR-B datasets that include rooms and corridors which have different sizes were used to test the effectiveness of the implemented method. The test results were evaluated with accuracy, recall, precision, and F1 score metrics. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|