Semantic Mapping Techniques for Mobile Robots and Synthetic Data in Deep Learning: Bridging Industry 5.0 Applications and General Use Cases

Abstract

Abstract : As Industry 5.0 becomes an increasingly tangible reality, the imperative for humans and robots to collaborate fully within the workplace has become more crucial than ever before. As robots assume more arduous, repetitive, and complex tasks, they have become an indispensable component of the industrial environment, often working in close proximity to human workers. This novel arrangement creates a new challenge that demands a safe and secure environment for human workers. To address and surmount this challenge, robots need to be cognizant of their surroundings, necessitating the creation of a semantic mapping of the robot’s environment. A semantic mapping enables robots to comprehend and interact with their environment in a manner that is both safe and intuitive for humans. Semantic mapping entails the process of creating a digital representation of a physical environment that captures not only its geometric properties but also its semantic features. In the context of industrial environments where robots and humans collaborate, this involves identifying and labeling objects, surfaces, and other features, and associating them with semantic information, such as their function, category, or behavior. Semantic mapping is typically employed to enable robots to navigate and interact with their environment in a more intelligent manner, by allowing them to reason about the meaning and context of the objects and spaces they encounter and be fully autonomous. The use of synthetic data, which refers to artificially generated data rather than real-world data, is gaining significant importance in the field of artificial intelligence. Synthetic data allows researchers and practitioners to create diverse and customizable datasets for training machine learning and deep learning models, improving their performance, and addressing challenges such as data scarcity and privacy concerns This master’s thesis outlines the techniques used for creating semantic mapping in recent years, utilizing Simultaneous Localization and Mapping (SLAM) techniques, including the integration of artificial intelligence techniques. Additionally, this thesis also explores the previous work conducted in training deep learning models using synthetically generated data.***

Résumé : Alors que l’Industrie 5.0 devient une réalité de plus en plus tangible, l’impératif d’une collaboration complète entre les humains et les robots sur le lieu de travail est devenu plus crucial que jamais. Alors que les robots assument des tâches de plus en plus ardues, répétitives et complexes, ils sont devenus une composante indispensable de l’environnement industriel, souvent en étroite proximité avec les travailleurs humains. Ce nouvel arrangement crée un nouveau défi qui exige un environnement sûr et sécurisé pour les travailleurs humains. Pour relever et surmonter ce défi, les robots doivent être conscients de leur environnement, ce qui nécessite la création d’une cartographie sémantique de l’environnement du robot. La cartographie sémantique permet aux robots de comprendre et d’interagir avec leur environnement de manière à la fois sûre et intuitive pour les humains. La cartographie sémantique implique la création d’une représentation numérique d’un environnement physique qui capture non seulement ses propriétés géométriques mais également ses caractéristiques sémantiques. Dans le contexte des environnements industriels où les robots et les humains collaborent, cela implique d’identifier et d’étiqueter des objets, des surfaces et d’autres caractéristiques, et de les associer à des informations sémantiques telles que leur fonction, leur catégorie ou leur comportement. La cartographie sémantique est généralement utilisée pour permettre aux robots de naviguer et d’interagir avec leur entourage de manière plus intelligente, en leur permettant de raisonner sur la signification et le contexte des objets et des espaces qu’ils rencontrent et d’être entièrement autonomes. L’utilisation des données synthétiques prend de plus en plus d’importance dans le domaine de l’intelligence artificielle pour l’entraînement de différents modèles de classification et de détection. Les données synthétiques, qui se réfèrent à des données générées artificiellement plutôt qu’à des données réelles, permettent aux chercheurs et aux praticiens de créer des ensembles de données diversifiés et personnalisables pour entraîner des modèles d’apprentissage automatique, améliorant ainsi leurs performances et abordant des défis tels que la rareté des données et les problématiques de confidentialité Cette thèse de master présente les techniques utilisées ces dernières années pour créer une cartographie sémantique, en utilisant des techniques de localisation et de cartographie simultanées (SLAM), y compris l’intégration de techniques d’intelligence artificielle. De plus, cette thèse examine également les travaux précédents réalisés dans la formation de modèles d’apprentissage profond en utilisant des données générées de manière synthétique..