46 229-1-pb

X WORKSHOP DE AGENTES F´ ´
ISICOS, SEPTIEMBRE 2009, CACERES 87

Uso de algoritmos gen´ ticos para detecci´ n de
e o
objetos en tiempo real
Jes´ s Martńez-G´ mez1 , Jos´ A. G´ mez1 , Ismael Garcá-Varea1 , Vicente Matell´ n2
u ı o e a ı a
Departamento de Sistemas Inform´ ticos
a 1 , Dept. de Ingenierá Mec´ nica, Inform´ tica y Aeroespacial2
ı a a
Universidad de Castilla-La Mancha1 , Universidad de Le´ n2
o
Albacete1 , Le´ n2 , Espa˜ a
o n
{jesus martinez, jgamez, ivarea}@dsi.uclm.es1 , vicente.matellan@unileon.es2

Abstract—El artćulo presenta un sistema de Visi´ n para la
ı o informaci´ n base, de forma que la validez de los primeros
o
detecci´ n de objetos mediante el uso de algoritmos gen´ ticos.
o e ´
individuos generados permita alcanzar soluciones optimas tras
La principal aportaci´ n del mismo consiste en la adaptaci´ n al
o o un reducido n´ mero de iteraciones.
u
tiempo real de algoritmos generalmente utilizados offline. Para
conseguir esto se necesita una ejecuci´ n eficiente que reduzca al
o ´
En lugar de reducir unicamente el n´ mero de iteraciones e
u
´
m´ ximo la complejidad del algoritmo. El ambito de aplicaci´ n
a o individuos, ciertos trabajos proponen el uso de algoritmos
del sistema es el campeonato de futbol rob´ tico RoboCup1 , en
´ o evolutivos celulares[6], que muestran un buen comportamiento
concreto la categorá Standard Platform, y debe permitir detectar
ı antes tareas de optimizaci´ n, que necesiten una alta eficacia
o
y estimar distancias a los objetos relevantes dentro de un estadio con un n´ mero reducido de iteraciones.
u
´
de futbol. Se realizaron diferentes experimentos dentro de un
campo oficial RoboCup. La informaci´ n utilizada para inicializar una nueva poblaci´ n
o o
la obtendremos de un procesamiento previo de la imagen
Index Terms—Visi´ n por computador, algoritmos gen´ ticos,
o e ı ´
capturada, as´ como de la ultima poblaci´ n evolucionada por
o
rob´ tica, procesamiento de im´ genes, Nao.
o a
el anterior algoritmo. Clonando individuos de poblaciones
anteriores para formar una nueva poblaci´ n, aprovecharemos
o
I. I NTRODUCTION la alta similitud entre sucesivas im´ genes capturadas por una
a
El procesamiento de im´ genes es uno de los puntos clave
a c´ mara de visi´ n acoplada a un robot m´ vil.
a o o
dentro de la rob´ tica m´ vil actual, ya que las c´ maras de
o o a Si una captura recoge un objeto situado a una determinada
visi´ n son el principal dispositivo, a partir del cual obtener
o distancia, la siguiente captura tomada por la c´ mara posee
a
informaci´ n del entorno.
o una alta probabilidad de mostrar el mismo objeto situado a
Este procesamiento debe realizarse en tiempo real, con una una distancia similar.
capacidad de procesamiento limitada y manejando im´ genes a Nuestra hip´ tesis consiste en que utilizando esta similitud
o
ruidosas, o de baja calidad. Los sistemas de visi´ n desarrol-
o entre im´ genes, as´ como la informaci´ n obtenida en un proce-
a ı o
lados para rob´ tica m´ vil, poseen una serie de caracter´sticas,
o o ı samiento previo, podemos desarrollar un sistema de visi´ n o
entre las que destaca un grado m´ ximo de eficiencia, que
a basado en algoritmos gen´ ticos capaz de trabajar en tiempo
e
permita procesar el mayor n´ mero de im´ genes por segundo
u a real.
que la c´ mara pueda obtener.
a Para evaluar la propuesta se han realizado pruebas sobre un
Hasta el momento se han propuesto un gran n´ mero de u escenario real con el robot b´pedo Nao, oficial dentro de
ı
soluciones, que en su mayorá han optado por el uso de
ı la competici´ n RoboCup Standard Platform, realizando la
o
procesamientos sencillos, utilizando como informaci´ n base
o detecci´ n de objetos clave dentro de un campo de f´ tbol
o u
la obtenida mediante procesos de filtrado por color[1]. De rob´ tico, como las porterás y la pelota.
o ı
entre estas soluciones, destaca el uso de lńeas de escaneo[2]
ı El resto del artćulo se organiza de la siguiente forma. La
ı
o soluciones basadas en la detecci´ n de bordes[3], que se
o secci´ n II est´ dedicada a las restricciones del problema.
o a
utilizan ampliamente en la categorá Standard Platform de la
ı El sistema completo de Visi´ n se presenta en la secci´ n
o o
RoboCup[4]. III, mientras que la secci´ n IV recoge los experimentos y
o
La propuesta que aqu´ se presenta ofrece un enfoque diferente,
ı ´
resultados. Por ultimo, la secci´ n V muestra las conclusiones
o
estudiando la viabilidad de utilizar algoritmos gen´ ticos[5]
e y trabajo futuro.
en tiempo real, para realizar el reconocimiento de objetos.
Para mejorar la eficiencia del sistema desarrollado, el n´ mero
u II. R ESTRICCIONES DEL PROBLEMA
de iteraciones e individuos utilizados en cada ejecuci´ n del
o El sistema de Visi´ n debe ser v´ lido para su uso dentro
o a
algoritmo deben reducirse lo m´ ximo posible. Para que esta
a de la categorá Standard Platform, por lo que ser´ aplicado
ı a
reducci´ n no afecte a las prestaciones del algoritmo, la ini-
o con im´ genes capturadas por la c´ mara del robot Nao2 , que
a a
cializaci´ n de cada poblaci´ n utilizar´ una gran cantidad de
o o a obtiene 30 im´ genes por segundo de 320 x 240 p´xeles, en el
a ı
1 http://www.robocup.org/ 2 http://www.aldebaran-robotics.com/eng/Nao.php

88 X WORKSHOP DE AGENTES F´ ´
ISICOS, SEPTIEMBRE 2009, CACERES

espacio de color YUV[7]. Azul, Porterá Amarilla y Pelota), por lo que mantenemos
ı
Para reducir la informaci´ n con la que trabajamos, las
o 3 poblaciones separadas de individuos. La elecci´ n de si es
o
im´ genes captadas por el robot se filtran previamente, elimi-
a necesario o no evolucionar una nueva poblaci´ n tras la llegada
o
nando los p´xeles que no hayan pasado un cierto filtro de color.
ı de una nueva imagen, depender´ de si al aplicar el filtro de
a
Dentro del entorno Robocup, los colores clave que poseen color espec´fico, hemos obtenido una cantidad suficiente de
ı
los objetos son el amarillo y azul para las porterás, verde
ı p´xeles. El esquema general es el mostrado en la figura 2.
ı
para el c´ sped, naranja para la pelota, y blanco para las lńeas
e ı
del campo, los contrarios y compa˜ eros. Adem´ s de esto, la
n a Capturar una nueva imagen
equipaci´ n de cada jugador est´ formada por una serie de
o a Filtrar la imagen inicial con los filtros de color
elementos de color rojo o azul oscuro. para cada objeto
El filtrado se realiza definiendo los valores m´ ximo y mńimo
a ı si hemos obtenido un n´ mero de suficiente de p´xeles
u ı
de cada componente de color Y, U y V, de forma que un Evolucionar una nueva poblaci´ n
o
´
p´xel unicamente pasar´ un filtro si todas sus componentes se
ı a Aplicar b´ squeda local sobre el mejor individuo
u
encuentran dentro de estos l´mites.
ı Devolver distancia estimada al objeto
Un ejemplo de filtrado lo tenemos en la imagen 1, donde se fin si
puede observar la imagen original y la obtenida tras aplicar fin para
un filtro con el color azul de la porterá.
ı
Fig. 2. Esquema general de procesamiento del sistema

´
Para evitar caer en optimos locales, la poblaci´ n de indi-
o
viduos se inicializar´ de nuevo tras realizar un determinado
a
n´ mero de iteraciones sin mejora. Durante el proceso de
u
evoluci´ n, se almacena el mejor valor de fitness obtenido
o
hasta el momento, de forma que al terminar cada iteraci´ n o
aumentaremos el n´ mero de iteraciones sin mejora (si el mejor
u
Fig. 1. Filtrado de color para la porterá azul
ı
fitness de la iteraci´ n no supera el m´ ximo global), o estable-
o a
ceremos este contador a cero (si la iteraci´ n proporciona un
o
El procesamiento debe permitir detectar los objetos durante
nuevo m´ ximo global).
a
un partido, lo que implica oclusiones parciales de los objetos,
donde la c´ mara solamente detecta un porcentaje total del
a
objeto. Ante este tipo de situaciones, los m´ todos tradicionales
e
B. Representaci´ n de Individuos
o
basados en lńeas de escaneo presentan muchos problemas,
ı
mientras que el m´ todo aqu´ propuesto act´ a de forma robusta,
e ı u Adem´ s de la distancia entre un objeto y la c´ mara, tambi´ n
a a e
como se comprobar´ en la secci´ n de resultados.
a o es importante conseguir detectar la orientaci´ n entre ambos
o
elementos.
´
III. S ISTEMA DE V ISI ON En primer lugar, esta informaci´ n adicional ser´ necesaria
o a
para la futura toma de decisiones, as´ como para tareas
ı
Un algoritmo gen´ tico evoluciona una poblaci´ n de individ-
e o de localizaci´ n[8]. De forma adicional, necesitamos esta
o
uos, los cuales representan soluciones potenciales al problema informaci´ n para poder aplicar la funci´ n de fitness utilizando
o o
general. En nuestro caso, un individuo debe representar la de- im´ genes capturadas por la c´ mara, ya que las capturas
a a
tecci´ n de un objeto a una cierta distancia, con una orientaci´ n
o o obtenidas dependen de la distancia d y con la orientaci´ n o
relativa determinada. relativa entre el objeto y la c´ mara.
a
Para evaluar la bondad o fitness de cada individuo, contrasta-
mos la informaci´ n que transporta (objeto o situado a distancia
o
d) con la informaci´ n extra´da de la ultima imagen capturada
o ı ´
por la c´ mara del robot. Si la informaci´ n que porta un
a o
ı ´
individuo es veros´mil, dada la ultima captura, se le otorgar´ a
un alto valor de bondad. Si por contra, en la imagen capturada
no aparece el objeto o que representa el individuo, o aparece a
una distancia muy distinta a d, el individuo obtendr´ un valor
a
bajo valor de bondad.

A. Esquema general de procesamiento
Nuestro esquema estar´ dirigido por la llegada de nuevas
a
im´ genes a la c´ mara, de forma que cada vez que llegue
a a
una captura, evolucionaremos un conjunto de poblaciones para
detectar cada uno de los objetos que queremos detectar.
En nuestro caso, detectamos hasta 3 objetos distintos (Porterá
ı Fig. 3. Captura de imagen y orientaci´ n relativa entre c´ mara y pelota
o a

´ ´
USO DE ALGORITMOS GENETICOS PARA DETECCION DE OBJETOS EN TIEMPO REAL 89

La figura 3 muestra como la imagen capturada por la c´ mara
a par´ metro a partir de otros, es que el algoritmo ser´ totalmente
a a
representa la pelota, cuando se encuentra a una determinada dependiente de una correcta obtenci´ n de γ, y dejar´ de
o a
distancia d, y la diferencia de orientaci´ n entre el objeto y la
o funcionar si la precisi´ n de esta medida se reduce.
o
c´ mara en el eje x es α, y en el eje y β.
a En robots equipados con articulaciones, como es nuestro caso,
Si los valores de α o β variasen en la figura 3, manteniendo los movimientos del robot provocan grandes movimientos y
la distancia d, la captura de la c´ mara mostrar´ una pelota
a a oscilaciones en la c´ mara, haciendo realmente complicado
a
de similares proporciones, pero situada en una zona distinta. obtener de forma precisa γ.
Incluso si la variaci´ n es grande, la c´ mara no capturar´ la
o a a En robots con ruedas, el movimiento del robot afectar´ en a
pelota. menor medida a la c´ mara, y la obtenci´ n de γ podr´ realizarse
a o a
No es necesario utilizar una componente adicional con la con mayor precisi´ n, de forma que no ser´ necesario modelar
o a
diferencia de orientaci´ n en el eje z, debido a que mediante
o el par´ metro β, ya que puede calcularse de forma fiable.
a
t´ cnicas de detecci´ n del horizonte[9], podemos aplicar trans-
e o Obviar este par´ metro mejorar´ la convergencia del algoritmo
a a
formaciones a las im´ genes capturadas para obtener todos los
a gen´ tico, ya que los individuos contendr´ n un menor n´ mero
e a u
objetos de la imagen paralelos al suelo. ´
de genes y se alcanzar´ n soluciones optimas con un menor
a
Cada individuo de la poblaci´ n almacena la siguiente infor-
o n´ mero de iteraciones.
u
maci´ n (genes):
o
• Distancia del objeto al robot: d.
D. Funci´ n de fitness
o
• Diferencia de orientaci´ n en el eje x: α.
o
• Diferencia de orientaci´ n en el eje y: β.
o La funci´ n de fitness seleccionada debe ser eficaz, y
o
devolver valores que eval´ en la validez de la proyecci´ n
u o
Cada uno de estos tres genes est´ representado por un valor
a
generada por el individuo < d, α, β >. Para evaluar la
num´ rico, limitado el caso de α y β al angulo de visi´ n de
e ´ o
informaci´ n que representa el individuo, traducimos esta
o
la c´ mara del Nao, y en el caso de la distancia, a la distancia
a
informaci´ n en una proyecci´ n del objeto que representa. La
o o
mńima y m´ xima a la que deseamos realizar la detecci´ n.
ı a o
proyecci´ n necesita una posici´ n < x, y > de comienzo en la
o o
Para poder realizar correctamente la funci´ n de fitness, los
o
imagen, obtenida a partir de los par´ metros α y β. El tama˜ o
a n
individuos utilizados para detectar las porterás deben contener
ı
del objeto proyectado depender´ del par´ metro d.
a a
un gen adicional denotado por θ, que represente la orientaci´ n o
Para evaluar esta proyecci´ n, la comparamos p´xel a p´xel con
o ı ı
que la porterá muestra en la captura. Este par´ metro es
ı a
la informaci´ n obtenida en el proceso de filtrado, utilizando
o
necesario, ya que dos capturas de una misma porterá, con ı
el color espec´fico del objeto a detectar. Cada p´xel < x, y >
ı ı
los mismos par´ metros < d, α, β >, variar´ n enormemente
a a
de la proyecci´ n se considera v´ lido si el p´xel < x, y > de la
o a ı
si la porterá posee diferentes orientaciones. Esta situaci´ n se
ı o
imagen capturada ha superado el filtro de color, y no v´ lido a
puede comprobar en la figura 4.
en caso contrario.
Un ejemplo puede verse en la figura 5, donde a la izquierda se
muestra la imagen filtrada con el color naranja, y a la derecha
el resultado de evaluar 12 individuos, donde los p´xeles ı
rojos sumarán valores negativos, y los verdes positivos, por
ı
corresponderse con p´xeles que han superado el filtro de color.
ı

Fig. 4. Im´ genes obtenidas variando el par´ metro β
a a

C. Obtenci´ n del par´ metro β
o a
Si conocemos en el momento de capturar una imagen el
angulo que posee la c´ mara del robot en el eje y respecto al
´ a
suelo, el par´ metro β puede obviarse. En lugar de modelar
a Fig. 5. Imagen filtrada(izq) y estudio de 12 individuos para detectar la
este par´ metro β, se calcular´ utilizando la distancia d, la
a a pelota(dcha)
orientaci´ n en el eje x α, y la orientaci´ n relativa γ en el eje y
o o
entre la c´ mara del robot y el suelo. Gracias a ello, evitaremos
a Dado que obtenemos la cantidad de p´xeles positivos
ı
explorar zonas del espacio que representen soluciones que no y negativos de una proyecci´ n, la primera idea para la
o
puedan darse. funci´ n de fitness consisti´ en utilizar el porcentaje de
o o
Si conocemos γ y el campo de visi´ n de la c´ mara, podemos
o a p´xeles de la proyecci´ n que han superado el filtro. Esto
ı o
obtener la distancia mńima y m´ xima a la que somos capaces
ı a conlleva un importante problema, ya que favorece individuos
de detectar objetos. Si γ es cercano a 90 grados, el robot que representan objetos lejanos, que obtienen proyecciones
detectar´ objetos situados a distancia lejanas, pero no detectar´
a a m´ s peque˜ as con mayor probabilidad de obtener un alto
a n
la pelota cuando esta se encuentre a peque˜ as distancias.
n porcentaje de p´xeles que pasen el filtro de color.
ı
El principal problema de no modelar β y obtener este Debido a este problema, y aprovechando que durante el


proceso de filtrado obtenemos la cantidad de p´xeles que ha
ı
superado cada filtro de color, devolvemos como valor de fitness
CloneP rob : M W − M W ∗ (N F W U/M F N )
el valor mńimo de los dos siguiente valores:
ı
InitialInf oP rob : (1 − (CloneP rob)) ∗ 0.66
• % de p´xeles de la proyecci´ n que han superado el filtro
ı o
RandomlyP rob : (1 − (CloneP rob)) ∗ 0.34
• % de p´xeles de la muestra de color que se utilizan en la
ı
proyecci´ n superando el filtro
o Aumentar el n´ mero de individuos generados aleatoria-
u
Para ilustrar como funciona, estudiamos en la figura 5 los mente fomentar´ la diversidad de la poblaci´ n inicial. Uti-
a o
individuos A y B. Mientras que B posee un mayor porcentaje lizando la informaci´ n de filtrado, aumentaremos el elitismo
o
de p´xeles que han superado el filtro que A (70 frente a 45),
ı ı ´
del algoritmo, as´ como el riesgo de caer en optimos lo-
´
unicamente un 5% de los p´xeles que superaron el filtro naranja
ı cales. El uso de individuos clonados de iteraciones anteriores,
pertenecen al objeto B, frente al 35% de A aproximadamente. permitir´ una r´ pida convergencia ante peque˜ as variaciones
a a n
El fitness final ser´ de 0.35 para A y 0.05 para B.
a entre capturas. Combinando correctamente estas tres opciones,
aseguraremos el equilibrio entre elitismo y generalidad. Selec-
cionamos los valores de 0.66 y 0.34 con el objetivo de obtener
una poblaci´ n inicial heterog´ nea, en base a los test emp´ricos
o e ı
E. Inicializaci´ n de la poblaci´ n
o o preliminares.
La inicializaci´ n de la poblaci´ n de un algoritmo gen´ tico
o o e
suele ser aleatoria, generando uniformemente en los l´mites
ı F. Oclusi´ n parcial de objetos
o
de los genes, pero en nuestro caso usaremos poblaciones En entornos complicados y cambiantes como los escenarios
informadas. En primer lugar podemos utilizar individuos que RoboCup, es indispensable que el sistema de visi´ n funcione
o
provengan de la poblaci´ n de capturas anteriores. Adem´ s,
o a de forma robusta ante oclusiones de objetos, ya que los objetos
durante el proceso de filtrado obtuvimos el n´ mero de p´xeles
u ı que deseamos detectar se encontrar´ n la mayor parte del
a
de la muestra de cada color, as´ como la componente x e y
ı tiempo ocultos, parcial o totalmente tras otros objetos. De
del centroide de la distribuci´ n, lo cual puede utilizarse para
o forma adicional, la c´ mara del robot obtendr´ un gran n´ mero
a a u
inicializar los nuevos individuos. de capturas que recojan parcialmente el objeto, debido a la
Aprovechando esta informaci´ n, generamos individuos de 3
o orientaci´ n entre la c´ mara y el objeto.
o a
maneras distintas: La propuesta actual funciona correctamente ante oclusiones,
ya que durante la evaluaci´ n de un individuo se estudia su
o
• Aleatoriamente proyecci´ n completa, y no caracter´sticas parciales del objeto.
o ı
• Utilizando la informaci´ n obtenida en el proceso de
o Cuando se presenten obst´ culos entre la c´ mara y el objeto a
a a
filtrado detectar, la funci´ n de fitness obtendr´ valores inferiores, pero
o a
• Clonando un individuo de poblaciones anteriores permitir´ detectar el objeto. Para aquellas situaciones en las
a
Las dos primeras formas para generar un individuo pueden uti- que una captura muestre parcialmente un objeto, como la de la
o a ´
lizarse siempre. La tercera opci´ n se podr´ utilizar unicamente figura 6, existir´ n individuos dentro del espacio de b´ squeda
a u
cuando tengamos poblaciones anteriores v´ lidas. Para definir
a que permitan representar esta situaci´ n, a los cuales la funci´ n
o o
esta validez necesitamos conocer el tiempo transcurrido entre de fitness otorgue un alto valor. Esto se consigue aumentando
la captura actual, y la ultima que evolucion´ una poblaci´ n p,
´ o o el n´ mero de orientaciones posibles entre c´ mara y el objeto,
u a
dando como resultado la detecci´ n del objeto o que intentamos
o a todas aquellas que proyecten objetos dentro de los l´mitesı
detectar. Si este tiempo supera cierto umbral, no generaremos de la captura.
ning´ n individuo utilizando esta poblaci´ n anterior.
u o
Para inicializar una poblaci´ n, por cada nuevo individuo
o
realizamos un sorteo, donde cada una de las opciones contar´ a
con una probabilidad. Estas 3 probabilidades ser´ n variables y
a
estar´ n condicionadas al n´ mero de capturas entre la actual y
a u
´
la ultima que detect´ el objeto que estamos estudiando. Para
o
ello definimos 2 par´ metros:
a
• M W : M´ xima probabilidad de clonar un individuo de
a
una poblaci´ n anterior
o Fig. 6. Captura parcial de un objeto
• M F N : N´ mero m´ ximo de capturas que pueden existir
u a
´
entre la actual y la ultima que detect´ el objeto estudiado.
o
La suma de las probabilidades de las tres maneras de generar IV. E XPERIMENTOS Y R ESULTADOS
un individuo debe sumar 1.0. La probabilidad de escoger un El entorno donde se han realizado los experimentos se cor-
individuo de una anterior poblaci´ n disminuir´ a medida que
o a responde con un escenario RoboCup, con un campo de f´ tbol
u
aumente el n´ mero de capturas sin actualizar esta poblaci´ n
u o de 6 x 4 metros y utilizando la pelota y porterás oficiales.
ı
(N F W U ), Las otras dos probabilidades se obtienen utilizando Hemos utilizado un robot Nao, capturando 2 im´ genes por
a
CloneP rob. segundo en formato YUV, de tama˜ o 320 x 240 p´xeles.
n ı

´ ´

Durante los experimentos, por cada captura de la c´ mara, se
a porterá amarilla, situada entre 360 y 300 cm., y la pelota
ı
almacen´ la diferencia absoluta entre la distancia real y la
o naranja, entre 260 y 200 cm.
distancia estimada por el individuo de la poblaci´ n con mayor
o En total el experimento consta de 180 capturas distintas (6
fitness, para cada uno de los elementos detectados. x 30). Por cada captura se almacena la diferencia absoluta
Las condiciones de iluminaci´ n permanecieron invariables
o entre la distancia real y la estimada por el algoritmo (denotada
durante los experimentos, de forma que los filtros de color por DBRED) y el fitness del mejor individuo evolucionado
´
fueron los optimos durante la realizaci´ n de las pruebas.
o para realizar la detecci´ n. Este valor se utiliza para generar
o
Realizamos dos estimaciones por segundo, ya que a pesar de ´
diversos conjuntos de datos, los cuales contienen unicamente
que el tiempo de procesamiento es variable, en ning´ n caso
u las diferencias obtenidas con individuos cuyo valor de bondad
una captura necesit´ m´ s de 500 milisegundos para realizar el
o a supere un cierto umbral.
procesamiento completo. La tabla I muestra de forma separada para la pelota y la
Despu´ s del proceso de filtrado (≈ 80 msec), el tiempo de
e ´
porterá amarilla, y unicamente para las detecciones realizadas
ı
ejecuci´ n nunca fue superior a 370 milisegundos (183 para
o con individuos con fitness mayor que 0, 0.25, 0.5 y 0.75, el
la porterá y 187 para la pelota). La parte del proceso que
ı valor medio de las diferencias entre la distancia real y estimada
tiempo m´ s consume es la evaluaci´ n de los individuos dentro
a o (DBRED) para estas capturas, y el porcentaje del total de las
del algoritmo gen´ tico, ya que se debe obtener la proyecci´ n
e o 180 capturas que obtienen, durante la detecci´ n del elemento,
o
asociada a cada individuo y realizar una comprobaci´ n pixel
o su mejor individuo con un fitness superior a estos umbrales.
a pixel sobre la imagen de filtrado.
TABLE I
´
D IFERENCIA MEDIA ENTRE POSICI ON REAL Y ESTIMADA Y PORCENTAJE
DE CAPTURAS POR ENCIMA DE DIFERENTES UMBRALES DE FITNESS
A. Par´ metros del Algoritmo Gen´ tico
a e
Los experimentos se realizaron con los siguientes Fitness > 0.0 > 0.25 > 0.5 > 0.75
par´ metros:
a Pelota Dif.media (cm) 42.62 40.57 31.77 22.75
Capturas (%) 68.89 68.33 57.78 8.89
• N´ mero de Individuos: 12
u Porterá
ı Dif.media (cm) 40.03 37.88 33.1 32.69
• N´ mero de Iteraciones: 24
u Amarilla Capturas(%) 99.44 93.33 44.44 8.89
• Probabilidad de mutaci´ n: 5%
o
• Tipo de operador de cruce: por punto Se puede comprobar c´ mo el valor obtenido con la funci´ n
o o
• Tipo de reemplazo: Algoritmo Generacional de fitness representa fielmente la validez de los individuos, de
• Reinicio tras superar un 25% de iteraciones sin mejorar ´
forma que a medida que utilizamos unicamente detecciones
´
el optimo global realizadas con un valor de fitness por encima de un cierto
• M W : 0.5 umbral, la media de las diferencias entre distancias reales y
• M F N : 10 estimadas disminuye.
Con estos par´ metros, el algoritmo posee n´ mero de indi-
a u Para evaluar la robustez del algoritmo, tambi´ n mostramos en
e
viduos e iteraciones reducido, utilizando una probabilidad de la tabla II el porcentaje de capturas cuya diferencia entre la
mutaci´ n y operador de cruce est´ ndar. Al ser un algoritmo
o a distancia real y estimada se encuentra por debajo de ciertos
generacional, cada nueva poblaci´ n de hijos obtenida tras el
o umbrales.
cruce y mutaci´ n reemplazar´ a sus progenitores, lo que puede
o a TABLE II
provocar que la calidad de la poblaci´ n se deval´ e con el paso
o u P ORCENTAJE DE CAPTURAS POR DEBAJO DE DISTINTOS UMBRALES DE
DIFERENCIA ENTRE DISTANCIA REAL Y ESTIMADA
de las iteraciones. Los individuos son evolucionados sin tener
en cuenta la odometrá del robot.
ı Porcentaje de capturas por debajo de
Al mejor individuo de cada iteraci´ n se le aplica un proceso de
o 100cm 75cm 50cm 30cm
b´ squeda local simple (Hill Climbing), que permite mejorar el
u Pelota 63.63 56.11 44.44 35.55
Porterá Amarilla
ı 92.77 87.78 72.22 51.67
fitness final obtenido tras cada captura. El proceso de b´ squeda
u
local consiste en evaluar variaciones positivas y negativas
sobre los genes de los individuos. A los algoritmos que Los valores obtenidos muestran una gran robustez, especial-
combinan conceptos y estrategias de diferentes metaheur´sticas
ı mente en el caso de la porterá, ya que en un escenario con
ı
se les denomina algoritmos mem´ ticos[10].
e una distancia m´ xima entre elementos de 721 cent´metros, un
a ı
alto porcentaje de capturas (37.37% y 51.67%) obtiene una
diferencia entre la distancia real y estimada por debajo de 30
B. Experimento 1 - Validaci´ n de la Hip´ tesis
o o cent´metros.
ı
El primer experimento tiene como objetivo comprobar si el La detecci´ n de la pelota a trav´ s de un gen´ tico resulta m´ s
o e e a
sistema desarrollado puede trabajar en tiempo real, detectando complicada que la porterá, ya que s´ lo individuos cercanos
ı o
correctamente los elementos del entorno, estimando distancias al m´ ximo global obtienen valores de fitness superiores a
a
correctamente. Para ello utilizamos los par´ metros por defecto
a cero, evitando que el algoritmo converja a trav´ s de las
e
del algoritmo gen´ tico descritos anteriormente.
e iteraciones. Debido al peque˜ o tama˜ o de la pelota en las
n n
Realizamos un mismo recorrido por el terreno de juego en 6 im´ genes capturadas, s´ lo aquellos individuos que representen
a o
ocasiones. En cada recorrido se realizan 30 capturas (tomadas este objeto con una diferencia de orientaci´ n y distancia muy
o
durante 15 segundos) en las cuales se puede observar la cercana a la real, obtienen valores de bondad distintos a 0. La


convergencia de un algoritmo gen´ tico de estas caracter´sticas
e ı de las poblaciones, permite obtener un alto porcentaje de
no ser´ constante. Un 83.83% de las detecciones que se han
a capturas que obtienen una reducida diferencia entre el valor
realizado correctamente para la pelota (fit> 0), obtuvieron real y estimado, para la distancia al objeto a procesar.
valores de fitness superiores a 0.5. Para las porterás, este
ı Como principal conclusi´ n, destacamos la conveniencia de
o
porcentaje baja a un 44.69%. reducir el n´ mero de genes que posee cada individuo de
u
una poblaci´ n, a los estrictamente necesarios. Para ello
o
C. Experimento 2 - Estudio de β utilizamos la mayor cantidad posible de informaci´ n del o
El objetivo del segundo experimento es estudiar si la entorno, de la plataforma a utilizar y de los elementos a
obtenci´ n del par´ metro β a partir del resto de par´ metros
o a a detectar. Esto nos permitir´ reducir el espacio de b´ squeda del
a u
puede ser realizada, adem´ s de evaluar c´ mo afecta al
a o ´
algoritmo gen´ tico, explorando unicamente soluciones que se
e
rendimiento general del algoritmo. Realizamos el mismo correspondan con situaciones reales. Al contar con un menor
recorrido del experimento anterior, utilizando los mismos n´ mero de par´ metros, el algoritmo converger´ m´ s r´ pido,
u a a a a
par´ metros.
a ´
permitiendo alcanzar mejores optimos con un n´ mero reducido
u
Durante el experimento, los individuos no contendr´ n el gen
a de iteraciones.
que representa el par´ metro β, y para realizar la funci´ n de
a o
evaluaci´ n, calcularemos este par´ metro utilizando para ello
o a D. Experimento 3 - Estudio de M W
la distancia al objeto d, la diferencia de orientaci´ n en el eje
o El objetivo del tercer experimento consiste en mostrar
x entre c´ mara y objeto α, y la diferencia de orientaci´ n entre
a o la forma en la que el par´ metro M W afecta al sistema de
a
la c´ mara y el suelo en el eje y γ, obtenida gracias al estudio
a visi´ n. Este par´ metro define la probabilidad m´ xima de
o a a
de los sensores del robot. clonar un individuo de poblaciones anteriores, a la hora de
De nuevo obtuvimos 180 capturas en total, con los resultados generar una nueva poblaci´ n, y por tanto define el peso de
o
mostrados en la tabla III. poblaciones anteriores a la hora de inicializar una nueva
poblaci´ n.
o
TABLE III
´
D IFERENCIA MEDIA ENTRE POSICI ON REAL Y ESTIMADA Y PORCENTAJE A medida que aumentemos el valor de este par´ metro, un
a
DE CAPTURAS POR ENCIMA DE DIFERENTES UMBRALES DE FITNESS mayor n´ mero de individuos de los que conformar´ n la
u a
nueva poblaci´ n representar´ n soluciones para la detecci´ n
o a o
Fitness > 0.0 > 0.25 > 0.5 > 0.75
Pelota Dif.media (cm) 18.70 18.05 16.89 27.7 de objetos en capturas anteriores.
Capturas (%) 69.44 68.33 57.78 5.55 El experimento consisti´ en una secuencia de 20 im´ genes
o a
Porterá
ı Dif.media (cm) 33.66 32.81 34.31 27.5 capturadas con el robot desde una posici´ n est´ tica, situada a
o a
Amarilla Capturas(%) 100.0 95.00 40.56 1.11
250 cm de la porterá azul y 150 cm de la pelota. Mientras se
ı
realiz´ el experimento, la orientaci´ n de la c´ mara cambi´ de
o o a o
La primera conclusi´ n que podemos extraer de estos
o valores, capturando diferentes im´ genes de objetos situados a
a
resultados, es que realizamos un mayor n´ mero de detecciones
u la misma distancia. Debido a las diferentes orientaciones de
correctas (fitness > 0), aunque disminuye el porcentaje de la c´ mara, la mayorá de las capturas mostraron parcialmente
a ı
capturas que obtienen un valor de fitness superior a 0.5 y y no en su totalidad la porterá y la pelota.
ı
0.75. Esto se debe a que modelar β permite generar individuos Durante la realizaci´ n del experimento utilizamos los
o
que no podrán ser obtenidos calculando este par´ metro, ya
ı a par´ metros por defecto, incluyendo el par´ metro β entre la
a a
que recogen situaciones incorrectas seg´ n la obtenci´ n de β a
u o informaci´ n que poseen los individuos. Los cambios en el
o
partir del resto de par´ metros, pero que debido al ruido, o a
a valor de M W definieron las diferentes configuraciones que
diferencias entre el valor de γ real y estimado, son correctas. fueron probadas. El experimento se repiti´ en 9 ocasiones con
o
La diferencia media entre las distancias reales y estimadas se cada distinta configuraci´ n, almacenando un conjunto total
o
ha reducido considerablemente, ya que al tener un par´ metro
a de 180 capturas. Evaluamos 4 diferentes configuraciones,
menos, con un n´ mero similar de iteraciones el algoritmo
u con valores para la probabilidad m´ xima de seleccionar un
a
converge m´ s r´ pido a individuos prometedores.
a a individuo de la poblaci´ n anterior (M W ) de 0, 25, 50 y 75%.
o
Para realizar una comparaci´ n completa entre el modelado de
o
β y su obtenci´ n directa a trav´ s de otros par´ metros, la tabla
o e a TABLE V
´
D IFERENCIA MEDIA ENTRE POSICI ON REAL Y ESTIMADA DE CAPTURAS
IV muestra el porcentaje de capturas con diferencia entre la CON VALORES DE FITNESS POR ENCIMA DE DIFERENTES UMBRALES
distancia real y estimada por debajo de ciertos umbrales.
MW F it > 0 F it > 0.25 F it > 0.5 F it > 0.75
TABLE IV 0.00 47.37 47.37 36.93 31.75
P ORCENTAJE DE CAPTURAS POR DEBAJO DE DISTINTOS UMBRALES DE Pelota 0.25 43.10 41.43 34.26 34.27
DIFERENCIA ENTRE DISTANCIA REAL Y ESTIMADA 0.50 41.37 41.26 33.63 33.67
0.75 43.48 42.08 32.72 33.49
Porcentaje de capturas por debajo de 0.00 58.02 49.48 27.15 12.78
100cm 75cm 50cm 30cm Porterá
ı 0.25 53.64 42.63 26.71 19.72
Pelota 68.89 68.89 65.56 54.44 Azul 0.50 51.22 43.54 21.76 14.16
Porterá Amarilla
ı 96.67 93.33 76.67 48.89 0.75 44.16 37.60 24.45 15.39

Comparando la tabla IV con la II, podemos observar como La tabla V muestra de nuevo como la funci´ n de fitness
o
mejora la robustez del algoritmo, ya que la r´ pida convergencia
a representa fielmente la validez de los individuos durante el

´ ´

proceso, aunque se puede comprobar que las variaciones Por estas razones, al aumentar el porcentaje de individuos
en el valor de M W no provocan grandes cambios en la que se clonan de iteraciones anteriores por encima de cierto
diferencia media entre distancia real y estimada de las umbral, las prestaciones del algoritmo se deval´ an, ya queu
´
capturas, utilizando unicamente capturas por encima de varios se crean demasiados individuos que representan soluciones
umbrales de fitness. a capturas anteriores y menos con la informaci´ n obtenida o
con el proceso de filtrado. Los individuos de poblaciones
TABLE VI
P ORCENTAJE DE CAPTURAS POR ENCIMA DE DIFERENTES UMBRALES DE anteriores pueden no corresponderse con soluciones v´ lidas a
FITNESS para la captura actual, y por tanto obtendr´ n valores de fitness
a
0, retrasando la convergencia del algoritmo.
MW F it > 0 F it > 0.25 F it > 0.5 F it > 0.75
0.00 93.59 93.59 78.84 35.26
A pesar de estos inconvenientes, introducir una proporci´ n o
Pelota 0.25 91.66 91.02 80.12 44.87 media de individuos provenientes de poblaciones anteriores
0.50 89.74 89.10 75.64 29.49 (entre 0.25 y 0.5), mejorar´ las prestaciones del algoritmo,
a
0.75 89.10 87.18 75.00 32.69
0.00 100.0 82.68 47.49 12.85
ya que la poblaci´ n contar´ con individuos que poseen infor-
o a
Porterá
ı 0.25 98.32 83.80 56.42 13.97 maci´ n valiosa, y que tras cruzarse con el resto de individuos
o
Azul 0.50 98.88 87.71 55.87 13.97 podr´ n dar lugar individuos con altos valores de fitness.
a
0.75 98.88 89.94 64.25 12.85
Incluir individuos de iteraciones anteriores tambi´ n permitir´
e a
al algoritmo converger m´ s r´ pido cuando la informaci´ n
a a o
La tabla VI muestra como a medida que utilizamos valores obtenida con el proceso de filtrado no sea valiosa, debido al
mayores de M W , el porcentaje de capturas que obtiene un ruido del entorno.
mayor valor de fitness, y que por tanto realizan mejores Para la detecci´ n de las porterás, la situaci´ n es completa-
o ı o
estimaciones, aumenta. En el caso de la porterá, esta tendencia
ı mente distinta. Las porterás se captan como objetos de distinta
ı
se mantiene a medida que aumenta M W , mientras que para forma y tama˜ o, en funci´ n de la posici´ n desde la que se
n o o
´
la pelota, parece que el punto optimo se encuentra en 0.25, observen. Su tama˜ o es mucho mayor que el de la pelota, por
n
tras lo cual el rendimiento empeora. lo que ocupar´ n una mayor superficie en las capturas, como
a
TABLE VII puede comprobarse en la figura 6. A diferencia de la pelota,
P ORCENTAJE DE CAPTURAS POR DEBAJO DE DISTINTOS UMBRALES DE individuos muy alejados de la mejor soluci´ n pueden poseer
o
DIFERENCIA ENTRE DISTANCIA REAL Y ESTIMADA
valores de fitness superiores a cero, por portar en sus genes
Porcentaje de capturas por debajo de informaci´ n valiosa. Durante la detecci´ n de una porterá, ex-
o o ı
MW 100cm 75cm 50cm 30cm ´
iste un alto riesgo de caer en optimos locales (como individuos
0.00 82.69 72.44 62.18 33.33 ´
que representen porterás que compartan unicamente uno de
ı
Pelota 0.25 85.90 79.49 71.79 31.41
0.50 85.90 75.00 67.31 35.30 los postes con la porterá captada en una imagen), por lo que
ı
0.75 80.77 73.72 64.10 32.69 se debe evitar un excesivo elitismo, inicializando individuos
0.00 77.09 68.71 55.31 32.96 mediante los tres sistemas disponibles.
Porterá
ı 0.25 81.00 73.74 62.57 34.08
Azul 0.50 81.56 75.41 61.45 43.01 La informaci´ n obtenida con el proceso de filtrado de color,
o
0.75 87.15 78.77 72.07 48.60 no resulta tan valiosa como en el caso de la pelota, ni permite
crear individuos cercanos a la mejor soluci´ n. Sin embargo, los
o
Finalmente, la tabla VII presenta el porcentaje total de individuos de poblaciones anteriores, a pesar de no representar
capturas, que obtienen una diferencia entre la distancia real el optimo global de la poblaci´ n, obtendr´ n valores de fitness,
´ o a
y estimada por debajo de ciertos umbrales. En esta tabla que permitir´ n tras un peque˜ o n´ mero de mutaciones y
a n u
se puede comprobar perfectamente que aumentar el valor de cruces, alcanzar valores cercanos a la soluci´ n global del
o
M W mejora enormemente el rendimiento del algoritmo en el problema.
caso de la porterá. Para el caso de la pelota, al aumentar
ı Cabe destacar que las pruebas fueron realizadas con im´ genesa
el valor de M W por encima de 0.25 obtenemos peores obtenidas mientras la c´ mara giraba a gran velocidad. Ante
a
resultados, como se pudo intuir tras la tabla VI. im´ genes consecutivas con variaciones casi nulas entre ellas,
a
La explicaci´ n del porqu´ de estos comportamientos del
o e aumentar el valor de M W mejorará las prestaciones del
ı
sistema en funci´ n de M W proviene de las caracter´sticas
o ı algoritmo. Esta situaci´ n se dará en situaciones en las que
o ı
propias de los objetos que intentamos detectar. el robot se encuentre est´ tico y no aplique rotaciones sobre la
a
La pelota siempre aparece en las im´ genes como un objeto
a c´ mara.
a
redondo de peque˜ o tama˜ o y color naranja. En muy pocas
n n
capturas la pelota se encuentra parcialmente oculta (al con-
V. C ONCLUSIONES Y T RABAJO F UTURO
trario que ocurrá en la liga que utilizaba robots AIBO), por lo
ı
o ´
que la informaci´ n de filtrado resulta muy util para inicializar En base a los resultados obtenidos en el primer experi-
nuevos individuos. La posici´ n < x, y > de la pelota en
o mento, el sistema ofrece una robusta alternativa a los sistemas
una captura, ser´ en muchas ocasiones cercana al centroide
a tradicionales de detecci´ n de objetos, utilizando para ello los
o
< x, y > de la muestra de p´xeles naranja, obtenida tras el
ı principios de los algoritmos gen´ ticos. El sistema posee unos
e
proceso de filtrado. Como se indic´ en el primer experimento,
o tiempos de ejecuci´ n que le permiten ser ejecutado en entornos
o
´
unicamente individuos muy cercanos a la soluci´ n obtendr´ n
o a RoboCup. El sistema funciona correctamente ante la aparici´ n o
valores de fitness mayores que cero. de oclusiones, sin necesidad de enfoques basados en casos


El par´ metro β debe calcularse a partir del resto de par´ metros.
a a caci´ n y Ciencia) y los fondos FEDER mediante los proyectos
o
Este par´ metro se puede obtener correctamente los valores de
a PCI08-0048-8577 y PBI-0210-7127.
los sensores del robot se obtienen sin error. El n´ mero de
u
genes de cada individuo debe tan peque˜ o como sea posible.
n
R EFERENCES
En base a los resultados obtenidos tras el tercer experimento,
se ha demostrado que la relaci´ n existente entre im´ genes
o a [1] Wasik, Z., Saffiotti, A.: Robust color segmentation for the robocup
capturadas de forma consecutiva, puede ser utilizada para domain. Pattern Recognition, Proc. of the Int. Conf. on Pattern
Recognition (ICPR) 2 (2002) 651–654
mejorar el rendimiento del sistema desarrollado, acelerando [2] J¨ ngel, M., Hoffmann, J., L¨ tzsch, M.: A real-time auto-adjusting vision
u o
la convergencia hacia mejores soluciones. system for robotic soccer. In: In 7th International Workshop on RoboCup
El sistema se ha realizado para la detecci´ n de porterás y de la
o ı 2003 (Robot World Cup Soccer Games and Conferences), Lecture Notes
in Artificial Intelligence, Springer (2004) 214–225
pelota, pero en vista a los resultados obtenidos, las alternativas [3] Coath, G., Musumeci, P.: Adaptive arc fitting for ball detection in
actuales para la detecci´ n de la pelota, y la especial dificultad
o robocup. In: APRS Workshop on Digital Image Analysing. (2003) 63–
en la detecci´ n de porterás, el principal campo de aplicaci´ n
o ı o 68
[4] Rofer, T., Brunn, R., Dahm, I., Hebbel, M., Hoffmann, J., Jungel, M.,
ı ´
del sistema será unicamente la detecci´ n de porterás.
o ı Laue, T., Lotzsch, M., Nistico, W., Spranger, M.: GermanTeam 2004.
Como principal lńea de trabajo futuro, encontramos la
ı Team Report RoboCup (2004)
integraci´ n del sistema desarrollado con un m´ todo for-
o e [5] Mitchell, M.: An Introduction to Genetic Algorithms. (1996)
[6] Whitley, L.: Cellular Genetic Algorithms. In: Proceedings of the
mal de localizaci´ n como Montecarlo[11] o Filtros de
o 5th International Conference on Genetic Algorithms table of contents,
Kalman[12], dado que estos m´ todos combinan la informaci´ n
e o Morgan Kaufmann Publishers Inc. San Francisco, CA, USA (1993)
de movimiento (odometrá) y la informaci´ n visual. El m´ todo
ı o e [7] Foley, J.D., van Dam, A., Feiner, S.K., Hughes, J.F.: Computer graphics:
principles and practice. Addison-Wesley Longman Publishing Co., Inc.
seleccionado deber´ utilizar la distancia y orientaci´ n estimada
a o (1990)
a las porterás, objetos clave para localizar al robot, adem´ s
ı a [8] Borenstein, J., Everestt, H., Feng, L.: Where am I? Sensors and Methods
de aprovechar el valor de fitness para integrar las dos fuentes for Mobile Robot Positioning. (1996)
de informaci´ n de la mejor manera posible[13].
o [9] Bach, J., Jungel, M.: Using pattern matching on a flexible, horizon-
aligned grid for robotic vision. Concurrency, Specification and
Otra lńea de trabajo estará relacionada con la inclusi´ n
ı ı o Programming-CSP 1(2002) (2002) 11–19
de restricciones durante la creaci´ n de nuevos individuos,
o [10] Moscato, P.: Memetic algorithms: a short introduction. Mcgraw-Hill’S
utilizando para ello la creencia sobre la posici´ n y orientaci´ n
o o Advanced Topics In Computer Science Series (1999) 219–234
del robot, limitando el rango de opciones a los objetos que [11] Fox, D., Burgard, W., Thrun, S.: Active markov localization for mobile
robots (1998)
sea posible observar desde la pose estimada actual. [12] Negenborn, R.: Robot localization and kalman filters. (2003)
[13] Jes´ s Martńez-G´ mez, Jos´ A. G´ mez, I.G.V.: An improved markov-
u ı o e a
AGRADECIMIENTOS based localization approach by using image quality evaluation. In: Pro-
Este trabajo ha sido parcialmente financiado por la Junta ceedings of the 10th International Conference on Control, Automation,
Robotics and Vision (ICARCV). (2008) 1236 – 1241
de Comunidades de Castilla-La Mancha (Consejerá de Edu-
ı

46 229-1-pb

Más contenido relacionado

Destacado (20)

Similar a 46 229-1-pb (20)

46 229-1-pb