La detección de texturas y reconocimiento de rigidez de objetos son propiedades muy importantes en tareas de manipulación de robots, cuya identificación tiene aplicaciones en una variedad de ámbitos, desde la ingeniería biomédica con el desarrollo de nuevas prótesis, hasta la optimización de procesos en distintos campos de la robótica, o incluso en agricultura inteligente. A partir de la información táctil de los sensores de dedo y palma de una mano artificial, se pueden distinguir texturas de distinta frecuencia espacial y rigidices de un conjunto de objetos. En esta tesis se propone la implementación de primitivas de pre-procesado, en la electrónica local, para extraer características que permitan reconocer estas propiedades. Para distinguir texturas, se propone implementar en el SoC de la placa de desarrollo ZedBoardTM, un algoritmo de barrido que, variando un parámetro de retardo, escanea todas las frecuencias posibles del rango de exploración. Además, se propone también la implementación de la aplicación del algoritmo de Goertzel en frecuencia. El rendimiento de estas propuestas se compara a la implementación en hardware de una FFT. Los resultados indican que nuestras propuestas son efectivas en la clasificación de hasta un conjunto de doce texturas diferentes. Por otro lado, para el reconocimiento de un conjunto de hasta 42 clases de objetos de distinta rigidez, a partir de las secuencias temporales de los momentos de la imagen táctil, calculados en tiempo real en la electrónica del dedo, se propone utilizar cuatro características originales relacionadas con parámetros de la curva. A través de estas características, se compara en términos de porcentaje de clasificación, consumo de recursos hardware, potencia y latencia, la implementación de una propuesta con la aplicación de la técnica de reducción de dimensionalidad PCA, y sin su aplicación. Los resultados indican que la implementación sin aplicarla es más eficiente en dichos términos.
Buscar en Dimension