Uso de técnicas de machine learning para realizar mapping en robótica móvil

• Sergio Cebollada ^[1] ; Vicente Román ^[1] ; Luis Payá ^[1] ; María Flores ^[1] ; Luis M. Jiménez ^[1] ; Oscar Reinoso ^[1]
  1. [1] Universidad Miguel Hernández de Elche

     Universidad Miguel Hernández de Elche

     Elche, España

     
• Localización: XL Jornadas de Automática: libro de actas. Ferrol, 4-6 de septiembre de 2019 / coord. por José Luis Calvo Rolle, José-Luis Casteleiro-Roca, Isabel Fernández-Ibáñez, Óscar Fontenla Romero, Esteban Jove Pérez, Alberto J. Leira-Rejas, José Antonio López Vázquez, Vanesa Loureiro-Vázquez, María-Carmen Meizoso-López, Francisco Javier Pérez Castelo, Andrés José Piñón Pazos, Héctor Quintián Pardo, Juan Manuel Rivas Rodríguez, Benigno Antonio Rodríguez Gómez, Rafael A. Vega-Vega, 2019, ISBN 978-84-9749-716-9, págs. 686-693
• Idioma: español
• Títulos paralelos:
  • Use of Machine Learning Techniques to Tackle Mapping in Mobile Robotics
• Enlaces
  • Texto completo
• Resumen
  • español

    El trabajo presentado consiste en un estudio de diversos clasificadores basados en machine learning como herramienta para llevar a cabo la tarea de mapeo y localización en robótica móvil. En concreto, estos clasificadores son utilizados para solventar la tarea de localización "gruesa", la cual forma parte de los procesos a realizar para resolver la localización jerárquica. El proceso de localización llevado a cabo por el robot consistirá en (1) capturar una imagen desde una posición desconocida, (2) calcular su correspondiente descriptor de apariencia global, (3) introducir dicha información al clasificador y obtener la estancia en la cual se encuentra el robot en ese instante. Tras esto, (5) el robot realizará el problema de image retrieval con toda la información visual de entrenamiento contenida en la estancia seleccionada (localización - na). Este trabajo evalúa el uso de tres clasificadores (Na ve Bayes, SVM y clasificador basado en red neuronal) los cuales se entrenan con tres posibles descriptores de apariencia global (HOG, gist y un descriptor obtenido a partir de una CNN). Los experimentos se llevan a cabo mediante el uso de un dataset que contiene imágenes omnidireccionales capturadas en entornos de interior y que presenta cambios dinámicos (personas andando, cambios de mobiliario, etc.). Los resultados obtenidos demuestran que el método propuesto es una alternativa eficiente para realizar la tarea de localización jerárquica en cuanto error de localización y tiempo de cómputo.

  • English

    This work introduces a study regarding the use of several classi ers based on machine learning tools to carry out the mapping and localization task in mobile robotics. These classi ers are used to solve the rough localization, which is part of the hierachical localization process. Therefore, the localization tackled by the robot consists in (1) obtaining an image from an unknown position, (2) calculating its related global appearance descriptor, (3) puting this information into the classifer to estimate the current room. Afterwards, (5) the robot carries out the image retrieval problem with all the visual information provided by the training dataset contained in the selected room ( ne localization step). This work evaluates the use of three types of classi ers (Na ve Bayes, SVM and a classi er based on neural networks) which are trained with three possible global appearance descriptors (HOG, gist and a descriptor calculated from a CNN). The experiments are carried out through the use of a dataset which contains omnidirectional images captured indoor under dynamic changes (people walking, furniture changes, etc.). The results obtained show that this method proposed is an e cient alternative to tackle the hierarchical localization regarding the localization error and the computing time.