Yaw角の推定モデル学習
画像から推定した吊り荷のYaw角を制御へ利用することを目的に、推定モデルの構築および精度評価を行う。
学習から評価までの流れ
制御モデルの評価結果（CSV）から学習データを作成し、画像を用いた吊り荷 Yaw 角推定モデルを学習する。
学習データ
三種類の吊り荷を、制御装置のカメラで撮影。 外乱あり・なしで多様な揺れ方の画像で、フック位置をGT (Ground Truth) とする学習データを生成。
吊り荷の Yaw 角推定モデルを学習するため、制御装置に搭載した真下向きカメラの画像から学習データを作成した。
学習データには、Baseline と Auto の2種類のデータセットを用いた。これらは異なる条件で生成した画像から構成される。
学習対象
HSteel、Plate、Truss の各フックを物体検出し、推定したフック位置から吊り荷の Yaw 角を算出する。
Yaw 角の推定
学習済みモデルで検出したフック位置から、画像処理により吊り荷の Yaw 角を推定する。 フックが一部欠落した場合でも、残りの検出結果から Yaw 角を算出する。
推定値の評価
Ground Truth（正解の Yaw 角）と推定値を比較して精度を評価した。
HSteel および Plate は、Auto による推定でも MAE は概ね 0.4° 以下となり、高い推定精度を確認した。
特に Truss / X1Y1 条件では最大誤差が 2.68° となり、 後述する制御評価でも同条件が最も難しいケースとなった。 誤差の要因は「最大誤差の原因」を参照。
- Data: Baseline と Auto の比較
- Object: HSteel / Plate / Truss の比較
- Wind: X0Y0 / X1Y0 / X1Y1 の比較
- Images: 評価サンプル数
- MAE: 平均的な推定誤差
- RMSE: 大きな誤差も考慮した指標
MAE: Mean Absolute Error
RMSE: Root Mean Square Error
単位: degree
Baseline と Auto の精度比較
全体では45°線付近に分布しており、Baseline と Auto の推定精度は概ね同等である。 もともと誤差が非常に小さいため、差は見かけ上大きく見えるが、 絶対誤差としてはいずれも 1° 未満であり、実用上は同等の推定精度と判断できる。
最大誤差の原因
最大誤差が 2.0° 以上となったのは、Truss の吊り荷で、 下図のようにフックを検知できない状態の3枚である。 残りの1枚も同様の状態であった。 フックを検知できない場合も、時系列処理によって補正しているため、 制御への影響は大きくないと考えられる。
多少の影響が見られたのは Raspberry Pi 環境での実行時である。
