El trabajo de la Universidad de Córdoba que permitirá a los robots ver mejor casi a oscuras

La UCO explica que, a la hora de configurar robots -como, por ejemplo el antropomórfico 'Atlas' de Boston Dynamics que puede hacer ejercicio u ordenar cajas-, «los marcadores fiduciales son la guía que les ayuda a moverse, detectar objetos y determinar su ubicación exacta de éstos». Se trata, ahonda la Universidad, de «una herramienta de visión artificial» que se usa para que las máquinas «puedan estimar la posición de los objetos».

Noticia Relacionada

La Universidad de Córdoba (UCO) obtiene 7,5 millones para la financiación de proyectos de I+D+i

R. A.

Las investigaciones se centrarán en la generación de conocimiento y la formación de personal predoctoral

En logística, una cámara en el techo permite identificar la ubicación de un paquete de forma automatizada usando estos marcadores, ahorrando así tiempo y dinero. La debilidad del sistema, advierte esta institución académica, era hasta ahora «las condiciones de iluminación, ya que las técnicas clásicas de visión artificial que localizan y decodifican con precisión los marcadores fallan en situaciones con poca luz».

Para hacer frente a esta problema, los investigadores Rafael Berral, Rafael Muñoz, Rafael Medina y Manuel J. Marín del grupo de investigación Aplicaciones de la Visión Artificial de la UCO han desarrollado «un sistema que permite, por primera vez, detectar y decodificar marcadores fiduciales en condiciones de iluminación difícil, utilizando redes neuronales».

«El uso de dichas redes nos permite la detección de este tipo de marcadores de manera más flexible, resolviendo el problema de la iluminación para todas las fases en el proceso de detección y decodificación», explica Berral. El proceso completo está compuesto por tres pasos: detección de marcadores, refinamiento de esquinas y decodificación de marcadores, cada uno basado en una red neuronal diferente.

Es la primera vez que se da una solución completa a esta problemática, ya que como señala Marín, «hay muchos trabajos que en situaciones de iluminación óptima han intentado acelerar la velocidad, por ejemplo, pero la problemática de poca iluminación o muchas sombras no había sido atendida de forma completa para mejorar el proceso».

A la hora de entrenar este modelo que presenta una solución de principio a fin, este equipo de investigadores ha creado «un conjunto de datos sintéticos que reflejan de una manera fidedigna el tipo de circunstancias de iluminación que se pueden encontrar cuando se trabaja con un sistema de marcadores fuera de las condiciones ideales». Una vez adiestrado, «el modelo se probó con datos del mundo real, unos producidos aquí internamente y otros como referencia de otros trabajos anteriores», indican estos científicos.

Tanto los datos generados de manera artificial para entrenar el modelo como los de situaciones de iluminación desfavorable en el mundo real están disponibles en abierto, así el sistema podría aplicarse en la actualidad ya que «el código está liberado y se dan facilidades para probar el código con cualquier imagen en la que aparezcan marcadores fiduciales», expone Muñoz.