-
F. Geilson de L. Xavier
Programa de Pós-Graduação em Engenharia Elétrica (PPGEE), Universidade Federal do Ceará (UFC), Fortaleza/CE
-
Suane Pires P. da Silva
Programa de Pós-Graduação em Engenharia de Teleinformática (PPGETI), Universidade Federal do Ceará (UFC), Fortaleza/CE; Laboratório de Processamento de Imagens e Simulação Computacional (LAPISCO), Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), Fortaleza/CE
-
J. Jerovane da C. Nascimento
Programa de Pós-Graduação em Ciência da Computação (PPGCC), Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), Fortaleza/CE; Laboratório de Processamento de Imagens e Simulação Computacional (LAPISCO), Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), Fortaleza/CE
-
Pedro Pedrosa R. Filho
Programa de Pós-Graduação em Engenharia Elétrica (PPGEE), Universidade Federal do Ceará (UFC), Fortaleza/CE; Programa de Pós-Graduação em Engenharia de Teleinformática (PPGETI), Universidade Federal do Ceará (UFC), Fortaleza/CE; Programa de Pós-Graduação em Ciência da Computação (PPGCC), Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), Fortaleza/CE; Laboratório de Processamento de Imagens e Simulação Computacional (LAPISCO), Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), Fortaleza/CE
Keywords:
Robotic Systems, Deep Transfer Learning, Convolutional Neural Network, RGB-D Machine Learning, Topological Maps, Indoor Environment, Computer Vision
Abstract
Depth sensing is essential to many robotic tasks, with mapping, localization and obstacle avoidance. In small robotic platforms, weight, volume and energy consumption limitations motivate the use of depth estimation using a monocular camera instead of depth sensors. This paper propose an approach for localization of autonomous mobile robots in an indoor environment using monocular vision aided by depth estimation maps from a single RGB input image applied to the concept of Transfer Learning linked to Convolutional Neural Networks (CNNs). The performance of classifiers in estimate the location was observed and compared using of a unique configuration of RGB-D images transformed into a mosaic image. The images were combined with the descriptive power of CNNs in the following scenarios: depth captured by the Kinect sensor and depth estimation generated by the AdaBins block. With the results, the performances of the classifiers were analyzed to evaluate the proposed approach.
