Učení neznámých objektů s robotem ARI

Abstract

Tato bakalářská práce se zabývá úkolem umožnit humanoidnímu robotu ARI učit se a rozpoznávat nové objekty pomocí me-tod strojového učení a počítačového vi-dění. Práce se zabývá vývojem a imple-mentací systému pro detekci a klasiĄkaci 3D objektů, s cílem umožnit robotu roz-poznat objekty, se kterými se dříve nese-tkal. Přístup integruje základní aspekty rozpoznávání ve světě bez omezení a inkre-mentálního učení, zaměřuje se na aplikaci těchto technik v praktickém prostředí s robotem ARI. Účinnost implementovaného systému je hodnocena prostřednictvím série základ-ních experimentů, zaměřujících se na jeho schopnost detekovat a kategorizovat nové objekty. Tyto počáteční testy poskytují náhled do základního fungování systému a jeho potenciálního užití v kontrolovaném prostředí. Tato práce přispívá do oblasti robotiky na úvodní úrovni, představuje počáteční průzkum využití strojového učení a počí-tačového vidění v praktickém robotickém kontextu. Předkládá základy pro budoucí výzkum v oblasti robotiky a rozpoznávání objektů.This bachelor's thesis investigates the task of enabling the ARI humanoid robot to learn and identify new objects using basic concepts from machine learning and computer vision. The study revolves around developing and implementing a straightforward 3D object detection and classiĄcation pipeline, with the aim of enabling the robot to recognize objects it has not previously encountered. The approach integrates fundamental aspects of open set recognition and incremental learning, focusing on the application of these techniques in a practical setting with the ARI robot. The effectiveness of the implemented system is assessed through a series of elementary experiments, concentrating on its ability to detect and categorize new objects. These initial tests provide insights into the basic functioning of the system and its potential utility in a controlled environment. This thesis contributes to the Ąeld of robotics at an introductory level, presenting an initial exploration into the use of machine learning and computer vision in a practical robotic context. It lays the groundwork for future research in the area of robotic object recognition.