Implementación del algoritmo YOLOv8 para detección de peatones en la plataforma robótica Turtlebot3
En la robótica industrial uno de los aspectos clave es la detección de objetos, en especial para robots móviles, muchas áreas logísticas de la industria tienen un alto flujo de operarios, por lo que es fundamental que estos robots puedan detectarlos para garantizar su seguridad, por otro lado, la de...
- Autores:
-
Rey Ducuara, Nicolás
Camayo Guegue, Horacio Enrique
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad Distrital Francisco José de Caldas
- Repositorio:
- RIUD: repositorio U. Distrital
- Idioma:
- spa
- OAI Identifier:
- oai:repository.udistrital.edu.co:11349/41137
- Acceso en línea:
- http://hdl.handle.net/11349/41137
- Palabra clave:
- Detección de objetos
Procesamiento de imágenes
Robótica
Robots móviles
Visión artificial
ROS
Tecnología en Electrónica -- Tesis y disertaciones académicas
Robótica
Robots industriales
Automatización
Object detection
Image processing
Robotics
Mobile robots
Computer vision
ROS
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Summary: | En la robótica industrial uno de los aspectos clave es la detección de objetos, en especial para robots móviles, muchas áreas logísticas de la industria tienen un alto flujo de operarios, por lo que es fundamental que estos robots puedan detectarlos para garantizar su seguridad, por otro lado, la detección de peatones sigue siendo un reto debido a la cantidad de variables a analizar, la velocidad de inferencia, oclusión ambiental, entre otros, por tanto, en el siguiente trabajo se presenta la implementación del algoritmo YOLOv8 en la plataforma robótica Turtlebot3 para la detección de peatones y de la señal de tráfico STOP en un entorno controlado, que puede ser aplicado en robots móviles de carga, así como robots multipropósito a nivel logístico. Se obtuvo un sistema autónomo que detecta en tiempo real peatones en un entorno controlado, así como una señal de tráfico de “stop”, se implementó además la librería Nav de ROS para la navegación autónoma del robot capaz de fijar destinos, trazar rutas y esquivar obstáculos. Se seleccionó el algoritmo YOLOv8 para la detección dado su velocidad de inferencia y precisión, se ofrece una explicación detallada del proceso de implementación y desarrollo a través de la plataforma y el uso del entorno ROS. El sistema logra una detección en tiempo real con video de 15 FPS a 480p y una velocidad de inferencia de 10ms con el modelo Yolov8n. |
---|