Razgrinjanje tekstila v zraku s humanoidnim robotom TALOSHauptman, Anamarija (Avtor) Munih, Marko (Mentor) Gams, Andrej (Komentor) humanoidni robotTALOSdeformabilni objektioblak točkrazgrinjanje tekstilaCeDiRNetvečpogledno zaznavanjerobotski vidManipulacija tekstila ostaja eden zahtevnejših izzivov sodobne robotike, saj se oblika predmeta med manipulacijo neprestano spreminja, njena izvedba na polnih humanoidnih platformah pa je zaradi zahteve po ravnotežju celega telesa, drugačni kinematiki rok in omejenem, na glavi nameščenem vidu slabo raziskana. Cilji tega magistrskega dela so zato integracija aplikacije za razgrinjanje tekstila v zraku na robotu TALOS, prilagoditev modela CeDiRNet za napovedovanje točke prijema, razvoj večpogledne strategije zajema slik, eksperimentalna evalvacija ter primerjava enopogledne in večpogledne strategije zaznavanja. Te izzive najprej umestimo v teoretični okvir: predstavimo razlike med humanoidnimi in fiksnimi platformami ter ozadje pozicijskega in navorovnega vodenja, vodenja na osnovi modela (MPC) in modernih pristopov umetne inteligence, nato pa še klasifikacijo deformabilnih objektov, fizikalne in mehanske lastnosti tekstila, pristope k njegovemu modeliranju in zaznavanju, tri skupine manipulacijskih strategij ter odprte izzive področja. Na podlagi tega ozadja opišemo lastno zaznavno in izvedbeno rešitev. Za zaznavanje tekstila kombiniramo vgrajeno kamero Orbbec Astra Pro za analizo oblaka točk z dodatno kamero RealSense D435i za napoved točke razgrinjanja, pri čemer opišemo poravnavo obeh kamer, uporabo metode RANSAC za zaznavo mize ter razvito metodo sestavljanja panoramske slike iz treh zajemov, ki kompenzira omejeno vidno polje glede na učno porazdelitev mreže CeDiRNet. To zaznavanje nato povežemo s platformo TALOS prek sistema WBC s skladom nalog za stabilnost in manipulacijo ter pozicijskega kontrolerja, uporabljenega za izvedbo gibov prijemanja in razgrinjanja. Predlagani pristop ovrednotimo po protokolu razgrinjanja na osmih kosih tekstila (štiri kuhinjske krpe, štiri majice), vsakega v desetih ponovitvah - pet z večpogledno in pet z enopogledno strategijo - z deležem razgrnjenosti kot primarno metriko. Ob združitvi vseh poskusov je razlika med pristopoma zanemarljiva (46,2 % proti 45,3 %), vendar se ob ločeni obravnavi po tipu tekstila pokaže nasproten vzorec: enopogledni pristop je boljši pri krpah (42,5 % proti 38,4 %), večpogledni pa pri majicah (53,9 % proti 48,1 %), medtem ko se čas napovedi modela CeDiRNet med pristopoma ni bistveno razlikoval. Rezultati nakazujejo, da korist večpogledne strategije narašča s kompleksnostjo tekstila glede na vidno polje kamere, in so primerljivi z rezultati tekmovanja ICRA 2024 Cloth Competition, kljub izpostavljenim omejitvam evalvacije, predvsem majhnemu številu poskusov na posamezno kombinacijo. Na podlagi teh spoznanj zaključimo, da so bili vsi zastavljeni cilji doseženi, pri čemer je ključna ugotovitev prav odvisnost koristi večpogledne strategije od tipa tekstila, ter predlagamo smeri nadaljnjega dela: obsežnejšo evalvacijo, izboljšavo sestavljanja panorame, dodatno učenje modela CeDiRNet, razvoj namenskih prijemal in taktilnih senzorjev ter uvedbo zaprto-zančnega ponavljanja poskusa.20262026-09-01 13:51:34Magistrsko delo/naloga186435sl