Classificação de terreno baseada em características para o LittleDog

Trabalhos recentes em classificação de terreno têm se baseado principalmente em métodos de sensoriamento 3D e classificação baseada em cor. Apresentamos uma abordagem que funciona com uma única câmera compacta e mantém altas taxas de classificação que são robustas a mudanças na iluminação. O terreno é classificado utilizando um conjunto de palavras visuais (BOVW) criado a partir de características robustas aceleradas (SURF) com um classificador de máquina de vetor de suporte (SVM). Apresentamos várias técnicas novas para aumentar essa abordagem. Um algoritmo inspirado em descida de gradiente é usado para ajustar o limiar do Hessiano SURF para alcançar uma densidade de características nominal. Uma técnica de janela deslizante também é utilizada para classificar imagens de terreno misto com alta resolução. Demonstramos que nossa abordagem é adequada para robôs de pernas pequenas realizando classificação de terreno em tempo real no LittleDog. O classificador é usado para selecionar entre gaits predeterminados para atravessar terrenos de dificuldade variada. Os resultados indicam que a classificação em tempo real no loop é mais rápida do que o uso de uma gaits de todos os terrenos única.