Pengoptimuman identifikasi sampah dan navigasi robot berautonomi di perkarangan rumah

Abstract

Perkarangan rumah yang bersih adalah impian semua orang. Sampah di perkarangan rumah mungkin terdiri daripada daun pokok, botol plastik, bungkusan makanan ringan dan objek lain. Pada masa ini terdapat banyak robot yang digunakan untuk membantu manusia. Selaras dengan perkembangan visi komputer dan teknologi robotik, timbul idea untuk menggunakan robot berautonomi yang mampu mencari sampah di perkarangan rumah. Atas sebab ini, robot mesti dapat mengidentifikasi sampah dan menavigasi dengan betul. Terdapat beberapa kajian mengenai proses identifikasi sampah menggunakan robot, namun belum optimum. Kebanyakan kaedah identifikasi objek tidak dapat membezakan sama ada objek itu adalah imej sebenar (3D) atau imej fotografi di atas kertas (2D). Ia akan menjadi masalah jika objek yang dikesan dialihkan dari satu tempat ke tempat lain. Jika objek adalah 2D, pencengkam robot akan cuba mencengkam, tetapi tidak mencengkam sebarang objek, disebabkan oleh geometri pencengkam robotik. Dalam tesis ini, untuk mengoptimumkan identifikasi sampah, kaedah Sequential Camera LiDAR (SCL) dicadangkan. Kaedah ini adalah gabungan Rangkaian Saraf Konvolusi (CNN) dan penderia Light Detection and Ranging (LiDAR). CNN memproses output kamera, diikuti dengan proses pengimbasan pantas oleh penderia LiDAR. Empat CNN pra-latihan digunakan, iaitu AlexNet, VGG16, GoogleNet dan ResNet18. Penderia LiDAR yang digunakan ialah jenis TF40 yang mempunyai ketepatan ±2mm. Untuk mengoptimumkan proses navigasi robot berautonomi, kaedah Modified Freeman Chain Code Path Planning (MFCC-PP) dicadangkan. Kaedah ini mengubah suai bilangan kod rantaian Freeman yang pada asalnya hanya maksimum 8 kod, diubah suai kepada 16 dan 32 kod. Selepas kaedah SCL dilaksanakan terhadap 11 jenis sampah. Empat CNN pra-latihan digunakan, iaitu AlexNet, VGG16, GoogleNet dan ResNet18 mampu mengidenfikasi sampah dengan betul, dengan keputusan ketepatan ialah AlexNet (80.5%), VGG16 (95.6%), GoogleNet (98.3%), dan ResNet18 (97.5%). Keputusan ini sangat sesuai untuk identifikasi sampah. Selepas sampah diidentifikasi dengan betul, urutan kaedah SCL seterusnya adalah untuk menentukan sama ada sampah dalam bentuk 2D atau 3D menggunakan penderia LiDAR. Objek yang diidentifikasi sebagai sampah akan diabaikan jika proses pengimbasan pantas dengan penderia LiDAR mengesan sampah bentuk 2D. Jika bentuk 3D, sampah akan diimbas terperinci untuk menentukan kedudukan pencengkam dalam mengutip sampah. Kecekapan masa yang dijana oleh pengimbasan pantas adalah antara 13.33% dan 59.26% bergantung pada saiz objek. Lebih besar objek, lebih besar kecekapan masa yang diperolehi. Selepas kaedah MFCC-PP dilaksanakan dalam mencari sampah di perkarangan rumah, kaedah ini kemudiannya dibandingkan dengan kaedah navigasi algoritma A*, Dijkstra, dan Freeman Direction Chain Code Path Planning (FDCC-PP). Pengujian dilakukan dengan menyediakan 2 jenis peta yang berbeza. Berdasarkan dua jenis peta yang berbeza, panjang laluan yang dirancang oleh algoritma MFCC-PP ialah 5.69% dan 18.32% lebih panjang daripada laluan terpendek yang dirancang oleh algoritma Dijkstra. Pengubahsuaian kod rantai menghasilkan pusingan yang lebih lancar berbanding dengan algoritma lain. Secara keseluruhannya, kaedah SCL dan algoritma MFCC-PP yang dicadangkan dalam identifikasi sampah dan navigasi robot di perkarangan rumah mempunyai peningkatan yang ketara berbanding algoritma A*, Dijkstra, dan FDCC-PP.