Title: Predicting the trajectory of the flying object with use of k-nearest neighbors : determination of thrown object impact position in manufacturing transportation systems
Language: English
Authors: Mironov, Konstantin 
Qualification level: Doctoral
Advisor: Dietrich, Dietmar 
Assisting Advisor: Pongratz, Martin 
Issue Date: 2016
Citation: 
Mironov, K. (2016). Predicting the trajectory of the flying object with use of k-nearest neighbors : determination of thrown object impact position in manufacturing transportation systems [Dissertation, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2016.33832
Number of Pages: 149
Qualification level: Doctoral
Abstract: 
Automatisiertes Werfen und Fangen stellt einen vielversprechenden Weg dar, um den Transport von Objekten und Teilen in einer industriellen Umgebung zu gewährleisten. Um ein geworfenes Objekt mit dem Greifer zu fangen, wird das Wissen über die Flugbahn des Objektes innerhalb des Arbeitsbereiches des Greifers gebraucht, weshalb die Flugbahn vorhergesagt werden muss. Die meisten existierenden Algorithmen für diese Aufgabe basieren auf der Modellierung der ballistischen Eigenschaften des geworfenen Körpers. Der in dieser Forschung vorgeschlagene Algorithmus erfordert keine genaueren physischen Daten zum Flug; er basiert auf dem Lernen von Beispielen des Werfens. Als Basistechnik zur Prognose von Objektkoordinaten wird das Nächste-Nachbar-Prinzip angewendet. Zwei Modifikationen wurden vorgenommen, um die Leistungsfähigkeit und die Genauigkeit der Vorhersage zu erhöhen. Zuerst wird eine Suche nach dem nächsten Nachbarn innerhalb einer relativ kleinen Teilmenge von ähnlichen Beispielen anstatt innerhalb der gesamten Datenbank gestartet, was eine rasche, skalierbare Verarbeitung großer Datenbanken ermöglicht. Zweitens werden die Vorhersagen in einem zweidimensionalen, Trajektorie-bezogenen Koordinatensystem anstelle eines dreidimensionalen Weltkoordinatensystems gemacht. Dadurch wird der Algorithmus Unabhängigkeit von der Startposition, der Wurfrichtung und der Tracking-Umgebung. In der Simulation wurde gezeigt, dass diese Methode die Vorhersagegenauigkeit für die Trajektorie der geworfenen Objekte im Vergleich zu den anderen existierenden Ansätzen erhöhen konnte. Die vorgeschlagenen Änderungen verbessern neben der Genauigkeit der Vorhersage auch die Berechnungszeit für die Prognose. Die Fangversuche mit einem Roboterarm zeigten, dass dieser Vorhersagealgorithmus es erlaubt, Kugeln in der Echtzeitanwendung zu fangen.

Automated throwing and catching is a promising way to provide the transport of objects and parts in an industrial environment. For the gripper to catch the thrown object, prior knowledge about the trajectory of the object within the gripper workspace is needed. Therefore, the trajectory must be predicted. Most of the existing algorithms for this task are based on modeling the ballistic properties of the thrown body. The algorithm proposed in this research does not require the physics of flight to be exactly known; it is based on learning from example throws. As a basic technique to forecast object coordinates, the nearest neighbors principle is applied. Two modifications are made in order to increase the performance and accuracy of prediction. First, a search for the nearest neighbors is done within a relatively small subset of similar examples instead of the entire database. This allows the fast, scalable processing of large databases. Second, forecasts are made within a two-dimensional trajectory-related coordinate system instead of a three-dimensional world coordinate system. This provides algorithm invariance to the launching position, direction of throw and tracking environment. Once this algorithm was applied to the trajectories of thrown objects, it demonstrated that it could increase prediction accuracy in comparison with other existing approaches. The proposed modifications not only improve the accuracy but also the speed of prediction. Catching experiments with a robotic arm showed that the predictor allowed balls to be caught in real time.
Keywords: Transportation; Robotic catching; Time series forecasting; k Nearest Neighbours; Stereo Vision; Supervised learning; Real-time processing; Ballistic trajectory
URI: https://doi.org/10.34726/hss.2016.33832
http://hdl.handle.net/20.500.12708/6054
DOI: 10.34726/hss.2016.33832
Library ID: AC13082622
Organisation: E384 - Institut für Computertechnik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:



Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.

Page view(s)

42
checked on May 12, 2022

Download(s)

118
checked on May 12, 2022

Google ScholarTM

Check