Corner detection applied to robotic perception of cloth-like objects

Object manipulation is a topic of major interest in the mechatronic field. Indeed, learning robots powered by artificial intelligence relieve human beings from repetitive and low-value processes. Within this context, manipulation of cloth-like objects may represent a significant opportunity in a variety of situations. The aim of the project, of which this thesis is part, consists in enabling a robotic arm to grasp a crumpled towel from one of its visible corners and to pull that corner in order to lay the towel flat on a surface for ironing. In particular, the purpose of this thesis consists in detecting contours and corners of the towel to provide a robust input for the grasping task. This has been performed by acquiring both simulated and real images, subjected to the feature recognition process by means of both standard computer vision functions and deep learning, in particular convolutional neural networks. After a theoretical and operational analysis of the two methods, a comparison of their relevant features and performance is discussed. Feasibility of the artificial intelligence implementation within feature detection has been clearly confirmed. The most effective method, both in terms of performance and further improvements, has been identified in convolutional neural networks. Moreover, options have been drafted in the perspective of future developments in order to upgrade reliability and operational applicability.

La manipolazione di oggetti è un argomento di grande interesse nel campo della meccatronica. Infatti, i robot capaci di apprendere grazie al sostegno dell'intelligenza artificiale consentono all'uomo di liberarsi dalle attività ripetitive e di basso valore. In questo contesto, la manipolazione di capi di tessuto rappresenta una significativa opportunità in molteplici situazioni. Lo scopo del progetto, di cui questa tesi fa parte, consiste nell'istruire un braccio robotico ad afferrare uno degli angoli visibili di un asciugamano spiegazzato in modo da distenderlo su una superficie piana per la successiva stiratura. In particolare, l'obiettivo di questa tesi consiste nell'individuare contorni e angoli dell'asciugamano per fornire un input affidabile all'azione di manipolazione. Ciò viene realizzato acquisendo sia immagini simulate che reali, che vengono poi sottoposte al processo di riconoscimento delle caratteristiche principali, attraverso sia funzioni di visione artificiale (computer vision) standard, sia metodi di apprendimento profondo (deep learning), in particolare reti neurali convoluzionali. Dopo un'analisi teorica e pratica dei due metodi implementati, l'esito finale è stato raggiunto attraverso un confronto tra i loro principali tratti distintivi e le loro prestazioni. L'applicabilità dell'intelligenza artificiale per il riconoscimento delle caratteristiche distintive di un oggetto è stata validata e confermata. Pertanto, il metodo più efficace, sia in termini di performance che di sviluppi futuri, risulta essere l'applicazione delle reti neurali convoluzionali. Inoltre, sono state esplorate alcune opzioni in termini di sviluppo futuro per migliorarne l'affidabilità e l'applicabilità quotidiana.