Coordinación autónoma descentralizada de un equipo de robots conectados en red para la ejecución de misiones de búsqueda visual de objetos mediante redes convolucionales con aprendizaje profundo basadas en la herramienta YOLO

El trabajo desarrollado en este TFM está enmarcado en el problema general de la coordinación descentralizada en tareas de búsqueda visual de objetos y exploración de equipos de robots móviles conectados en red. Más específicamente, en este TFM se aborda el problema de la coordinación óptima de un equipo de N robots para la ejecución de misiones de exploración y búsqueda visual en un entorno compuesto por un conjunto de P zonas disjuntas. Para este problema de coordinación multirobot hemos aplicado una solución propuesta por el tutor D. Maravall [1] y que está inspirada en el juego dinámico de la minoría propuesto por William B. Arthur [2]. En relación al problema de coordinación entre los P robots para una distribución óptima entre las diferentes zonas del entorno, la solución aplicada en el TFM se basa en que los robots escojan de manera autónoma la zona específica a explorar, con la restricción clave de que los robots dispongan en tiempo real de la información completa del estado de las zonas. Esto exige que los robots estén interconectados y que sean cooperativos. Se trata, por tanto, de una solución descentralizada con conocimiento completo en tiempo real del estado del entorno (número de objetivos detectados en cada zona y número de robots activos en cada zona). Además, se ha propuesto e implementado una modificación de la solución del problema de coordinación. En relación a la problemática específica ligada a la tarea de búsqueda visual de objetos abordada en el TFM, se ha desarrollado un módulo de detección y reconocimiento de objetos en imágenes digitales basado en redes convolucionales y aprendizaje profundo e implementado con la conocida plataforma YOLO [3].---ABSTRACT---This Master’s thesis deals with the general issue of decentralized coordination of multirobot systems performing exploration of indoor environments for visual objects detection and recognition tasks. More specifically, the thesis approaches an optimal multirobot coordination problem in which N robots have to perform the visual search of predefined objects disseminated in an indoor environment formed by P disjoint regions. For this multirobot coordination problem it has been applied a solution proposed by the Master’s thesis supervisor D. Maravall [1], which is inspired on the well known dynamic minority game introduced by William B. Arthur [2]. Concerning the coordination problem of the optimal self-distribution of N robots among the P regions of the environment for the targets search and detection, the solution applied in this thesis is based on the restriction that the robots have at their disposal, in real-time, the full information of the state of each region of the environment in terms of the number of detected objects in each region. They also know the number of active robots in each region. This restriction implies that the robot are networked and that they are also fully cooperative. In summary the proposed solution is fully decentralized at the control level and fully omniscient at the information level. In addition, a modification of the solution to the coordination problem has been proposed and implemented. Finally, concerning the visual search task tackled in the thesis, it has been developed and tested a specific object detection and recognition module implemented with convolutional neural networks trained with deep learning techniques using the well known YOLO platform