선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 본 논문에서는 2D 카메라로는 힘들었던 물체 피킹 시스템을 깊이 카메라인 리얼센스 sr300과 ROS를 통해 구현하였다. 객체인식은 오픈소스 프로젝트인 tensorflow object detection을 이용하였고 로봇팔은 ROS와 ROS기반 패키지들을 이용하여 제어하였다.
- 인텔 realsense sr300 깊이 카메라[1]와 로봇 운영체제인 ros와 오픈소스 객체 인식 시스템, 로봇팔 구동 자체 알고리즘을 통해 3D 객체를 인식하고 물건을 집는 시스템을 설계하였다[2]. 인텔 리얼센스 sr300에서 촬영된 영상을 메인 서버에서 인식된 객체의 깊이와 x, y, z 좌표 값을 받고 그 데이터와 ros moveit, ros rviz과 매핑시켜놓은 아두이노 기반 로봇팔 하드웨어로 객체인식 된 물건을 피킹한다[3].
대상 데이터
- 1은 본 시스템의 전체 구성도이다. 시스템은 객체 검출 서버, ROS가 동작하는 메인 서버, 로봇팔이 동작하는 아두이노로 이루어져 있다. 객체 검출 서버는 리얼센스 카메라 영상을 통해 오픈소스 프로젝트인 tensorflow object detection을 사용하여 객체를 인식 한다.
이론/모형
- 시스템은 객체 검출 서버, ROS가 동작하는 메인 서버, 로봇팔이 동작하는 아두이노로 이루어져 있다. 객체 검출 서버는 리얼센스 카메라 영상을 통해 오픈소스 프로젝트인 tensorflow object detection을 사용하여 객체를 인식 한다. 인식된 객체의 x, y, z(깊이) 값과 객체의 name rabel을 메인 서버로 전달해준다.
- 인텔 리얼센스 sr300에서 촬영된 영상을 메인 서버에서 인식된 객체의 깊이와 x, y, z 좌표 값을 받고 그 데이터와 ros moveit, ros rviz과 매핑시켜놓은 아두이노 기반 로봇팔 하드웨어로 객체인식 된 물건을 피킹한다[3]. 객체인식은 오픈소스 프로젝트인 tensorflow object detection을 사용하였다[4].
- 본 논문에서는 2D 카메라로는 힘들었던 물체 피킹 시스템을 깊이 카메라인 리얼센스 sr300과 ROS를 통해 구현하였다. 객체인식은 오픈소스 프로젝트인 tensorflow object detection을 이용하였고 로봇팔은 ROS와 ROS기반 패키지들을 이용하여 제어하였다. tensorflow object detection은 오픈소스 프로젝트임에도 불구하고 인식률이 높았으며 ROS는 로봇팔 하드웨어 뿐만 아니라 다른 어떤 하드웨어를 제어할 때도 유용할 것으로 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.