Desarrollo de un sistema sensorial visual para detección de paredes y obstáculos en canales de agua de lluvia

Abstract

ROBOTICS 4.0, en alianza con la Corporación Universitaria del Huila (CORHUILA), desarrolla un robot teleoperado para limpiar canales de agua de lluvia en edificios de hasta 15 m de altura. La limitada percepción del entorno, la estrechez del canal y la falta de visibilidad directa del operador pueden provocar colisiones con paredes y obstáculos. Esta investigación desarrolló un sistema sensorial visual basado en una cámara de profundidad para segmentar el entorno y medir distancias durante la navegación. La metodología comprendió la selección de la cámara OAK-D Pro PoE, la construcción de un canal prototipo basado en el escenario real y la implementación de un pipeline que integra FastSAM con información de profundidad. El sistema se evaluó con imágenes del canal real en Colombia, mediciones físicas en el prototipo y una comparación temporal entre FastSAM y SAM. FastSAM segmentó correctamente el 78.051 % de 1745 imágenes. En el prototipo, el error promedio entre las distancias estimadas y las medidas reales fue de 4.525 × 10−3 m. El pipeline integrado alcanzó 0.84 FPS y detectó, en promedio, cinco máscaras por fotograma. A la velocidad de operación del robot, esta frecuencia equivale a un desplazamiento aproximado de 5.95 cm sin una nueva actualización perceptiva, cerca del 10 % de su longitud. Los resultados demuestran la factibilidad técnica del sistema y respaldan la selección de FastSAM frente a SAM para esta aplicación.ROBOTICS 4.0, in partnership with Corporación Universitaria del Huila (CORHUILA), is developing a teleoperated robot to clean stormwater channels in buildings up to 15 m high. Limited environmental perception, confined channel geometry, and the operator’s lack of direct visibility may cause collisions with walls and obstacles. This research developed a depth-camera-based visual sensing system to segment the environment and estimate distances during robot navigation. The methodology comprised selecting an OAK-D Pro PoE camera, constructing a prototype channel based on the dimensions of the real scenario, and implementing a pipeline that combines FastSAM with depth information. The system was evaluated using images from the real channel in Colombia, physical measurements in the prototype, and a temporal comparison between FastSAM and SAM. FastSAM correctly segmented 78.051 % of the 1,745 evaluated images. In the prototype, the average error between estimated and measured distances was 4.525 × 10−3 m. The integrated pipeline achieved 0.84 FPS and detected an average of five masks per frame. At the robot’s operating speed, this update rate corresponds to an approximate displacement of 5.95 cm without a new perception update, equivalent to nearly 10 % of the robot’s length. These results demonstrate the technical feasibility of the system and support the selection of FastSAM over SAM for this application.