Banca de DEFESA: ROBERTO COSTA FERNANDES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ROBERTO COSTA FERNANDES
DATA : 15/03/2023
HORA: 14:00
LOCAL: Virtual
TÍTULO:

Embedded Object Detection and Position Estimation for RoboCup Small 
Size League

PALAVRAS-CHAVES:

Estimação de posição. Apredizado profundo. Detecção de 
objetos. Robótica. Visão Computacional

PÁGINAS: 80
RESUMO:

A categoria Small Size League (SSL) da RoboCup tem o desafio de aumentar o 
nível de autonomia dos robôs para que eles possam realizar algumas tarefas 
sem receber nenhuma informação externa. Para garantir essa autonomia o robô 
tem que ser capaz de detectar e estimar a posição dos objetos no campo, 
para que ele possa marcar gols e se movimentar sem colidir com outros 
robôs. Modelos para detecção de objetos geralmente utilizam imagens 
monoculares como entrada, no entanto é desafiante calcular a posição 
relativa desses objetos, já que a imagem monocular não tem nenhuma 
informação da distância. O principal objetivo dessa dissertação é propor um 
sistema completo para detectar um objeto e calcular sua posição relativa no 
campo, usando uma imagem monocular como entrada. O primeiro obstáculo para 
treinar um modelo para detectar objetos em um contexto específico é ter um 
dataset de treinamento com imagens anotadas. Outras categorias da RoboCup 
já possuem dataset com imagens anotadas para treinar e avaliar um modelo. 
Assim, esse trabalho também propõe um dataset para a categoria SSL para ser 
usado como referência de comparação para detecção de objetos nessa 
categoria. Utilizando esse dataset, esse trabalho apresenta um fluxo para 
treinar, avaliar e realizar a inferência de uma Convolutional Neural 
Networks (CNNs) para detecção de objetos em um sistema embarcado. 
Combinando a detecção de objetos com a posição global recebida do 
SSL-Vision, esse trabalho ainda propõe uma arquitetura baseada em 
Multilayer Perceptron (MLP) para estimar a posição dos objetos usando 
somente a imagem monocular como entrada. Na detecção de objetos, o modelo 
MobileNet v1 SSD alcançou 55.77% AP para as três classes de interesse 
rodando a 94 Frames Per Second (FPS) em um robô de SSL. O modelo para 
estimar a posição de um objeto da classe Bola atingiu um Root Mean Square 
Error (RMSE) de 34.88mm.

MEMBROS DA BANCA:
Presidente - 1675582 - CLEBER ZANCHETTIN
Interna - 1164294 - EDNA NATIVIDADE DA SILVA BARROS
Externo à Instituição - FILIPE ROLIM CORDEIRO - UFRPE