Vision based object identification and tracking for mobile robot visual servo control
Notice bibliographique
Résumé
A key problem of an Image Based Visual Servo (IBVS) system is how to identify and track objects in a series of images. In this paper, a scale-invariant image feature detector and descriptor, which is called the Scale-Invariant Feature Transform (SIFT), is utilized to achieve robust object tracking in terms of rotation, scaling and changes of illumination. To the best of our knowledge, this paper represents the first work to apply the SIFT algorithm to visual servoing for robust mobile robot tracking. First, a SIFT method is used to generate the feature points of an object template and a series of images are acquired while the robot is moving. Second, a feature matching method is applied to match the features between the template and the images. Finally, based on the locations of the matched feature points, the location of the object is approximated in the images of camera views. This algorithm of object identification and tracking is applied in an Image-Based Visual Servo (IBVS) system for providing the location of the object in the feedback loop. In particular, the IBVS controller determines the desired wheel speeds ω_1 and ω_2 of a wheeled mobile robot, and accordingly commands the low-level controller of the robot. Then the IBVS controller drives the robot toward a target object until the location of the object reaches the desired location in the image. The IBVS system is implemented and tested in a mobile robot with an on-board camera, in our laboratory. The results are used to demonstrate satisfactory performance of the object identification and tracking algorithm. Furthermore, a MATLAB simulation is used to confirm the stability and convergence of the IBVS controller.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».