استخراج ویژگی‌ از داده‌های عمق با استفاده از روش یادگیری عمیق برای کنترلِ باناظر ربات چرخ‌دار

این مقاله چارچوبی از یادگیری عمیقِ با ناظر را جهت ناوبری ربات‌ چرخ‌دار در زمین‌های هموار با محوریت وظایف پیگیری دیوار و اجتناب از موانع ارائه می‌نماید. در اینجا، فرض بر این است که ربات تنها به یک سیستم بینایی (دوربین کینکت) مجهز است. چالش‌ اصلی در هنگام استفاده از تصاویر عمق، ابعاد بالای تصاویر و استخراج ویژگی‌های مناسب از آنها با هدف کاهش ابعاد ورودی کنترلگر می‌باشد. برای این منظور در این مقاله از یادگیری عمیق بهره‌برداری شده و ویژگی‌های مناسبی بدست می‌آیند که بازنمایی تصاویر عمق هستند. چهار معماری با استفاده از این ویژگی‌ها و سابقه‌های فرمان کنترلی برای کنترلگر ارائه می‌شود. این معماری‌ها در محیط شبیه‌ساز ویبات با یکدیگر مقایسه می‌شوند. آزمایش‌های انجام شده نشان می‌دهد معماری بهره برنده از چهار دسته ورودی شامل: ویژگی‌های بازنمایی شده از داده‌های عمق، ویژگی‌های لحظه‌ی قبل، موقعیت خط سیر در تصویر رنگی، و سابقه‌ی فرمان‌های پیشینِ کنترلگر می‌تواند به خوبی کنترل ربات را در محیط‌های هموار و با مانع به انجام برساند.