Sistema de detección y clasificación de obstáculos para JetBot basado en redes neuronales

Abstract

Este proyecto pretende abordar la creación de un modelo de red neuronal capaz de detectar y clasificar objetos. Para ello se hará uso de un robot terrestre con cámara y un mini-computador a bordo, en el cual será ejecutada la red. El robot elegido será el Kit de IA de JetBot de Waveshare, el cual cuenta con espacio para la plataforma Nvidia Jetson Nano. En la Jetson será instalado el paquete de sistema operativo JetPack, corriendo sobre la base de Ubuntu 18.04, el cual será preparado y configurado con todas las herramientas para su uso en visión por computador. En lugar de crear la red desde cero, se realizará un proceso de transfer learning con YOLO, la cual se caracteriza por su velocidad de ejecución y su precisión sin dejar de lado la rapidez, permitiendo facilitar el proceso y reducir el tiempo de entrenamiento. Los objetos serán definidos como cajas de distintos tamaños y colores hechos específicamente para este proyecto, y se realizará un banco de imágenes propio con el que poder proceder al entrenamiento de YOLO. Tras la finalización de este proceso, se adoptará una postura crítica para analizar los resultados obtenidos, entre los que se incluirán gráficas, cálculos de parámetros que indiquen el acierto, precisión y fiabilidad de la red, así como imágenes y vídeos que demuestren su ejecución de forma más visual. El trabajo realizado será usado como analogía para poder desarrollar en un futuro un vehículo de navegación acuático que sea capaz de detectar obstáculos y realizar un manejo autónomo.

This project aims to create a neural network model capable of detecting and classifying objects. This will be done using a terrestrial robot with a camera and a mini-computer on board, in which the network will be executed. The chosen robot will be the JetBot AI Kit from Waveshare, which has space for the Nvidia Jetson Nano platform. The JetPack operating system package will be installed on the Jetson, running on Ubuntu 18.04, which will be prepared and configured with all the tools for its use in computer vision. Instead of creating the network from scratch, a transfer learning process will be performed with YOLO. This is characterized by its speed of execution and accuracy without neglecting the speed, allowing to facilitate the process and to reduce training time. Boxes will be used as objects. These are different sizes and colors made specifically for this Project and an image bank will be created in order to proceed with the training of YOLO. After the end of this process, a critical stance will be adopted to analyze the results obtained. These will include graphs and parameter calculations that indicate the accuracy, precision and reliability of the network, as well as images and videos that demonstrate its execution in a more visual way. The work carried out will be used as an analogy for the future development of an aquatic navigation vehicle capable of detecting obstacles and performing autonomous operations.