Show simple item record

dc.contributor.authorCebollada, Sergio
dc.contributor.authorRomán, Vicente
dc.contributor.authorPayá, Luis
dc.contributor.authorTenza, María Flores
dc.contributor.authorJiménez, Luis M.
dc.contributor.authorReinoso, Óscar
dc.date.accessioned2019-08-13T08:28:34Z
dc.date.issued2019
dc.identifier.citationCebollada, S., Román, V., Payá, L., Tenza, M.F., Jiménez, L.M., Reinoso, O. (2019). Uso de técnicas de machine learning para realizar mapping en robótica móvil. En XL Jornadas de Automática: libro de actas, Ferrol, 4-6 de septiembre de 2019 (pp. 686-693). DOI capítulo: https://doi.org/10.17979/spudc.9788497497169.686. DOI libro: https://doi.org/10.17979/spudc.9788497497169es_ES
dc.identifier.isbn978-84-9749-716-9
dc.identifier.urihttp://hdl.handle.net/2183/23739
dc.description.abstract[Resumen] El trabajo presentado consiste en un estudio de diversos clasi cadores basados en machine learning como herramienta para llevar a cabo la tarea de mapeo y localizaci on en rob otica m ovil. En concreto, estos clasi cadores son utilizados para solventar la tarea de localizaci on "gruesa", la cual forma parte de los procesos a realizar para resolver la localizaci on jer arquica. El proceso de localizaci on llevado a cabo por el robot consistir a en (1) capturar una imagen desde una posici on desconocida, (2) calcular su correspondiente descriptor de apariencia global, (3) introducir dicha informaci on al clasi cador y obtener la estancia en la cual se encuentra el robot en ese instante. Tras esto, (5) el robot realizar a el problema de image retrieval con toda la informaci on visual de entrenamiento contenida en la estancia seleccionada (localizaci on - na). Este trabajo eval ua el uso de tres clasi cadores (Na ve Bayes, SVM y clasi cador 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 im agenes omnidireccionales capturadas en entornos de interior y que presenta cambios din amicos (personas andando, cambios de mobiliario, etc.). Los resultados obtenidos demuestran que el m etodo propuesto es una alternativa e ciente para realizar la tarea de localizaci on jer arquica en cuanto error de localizaci on y tiempo de c omputoes_ES
dc.description.abstract[Abstract] 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.es_ES
dc.description.sponsorshipComunitat Valenciana; ACIF/2017/146es_ES
dc.description.sponsorshipComunitat Valenciana; ACIF/2018/224es_ES
dc.description.sponsorshipMinisterio de Ciencia e Innovación ; DPI 2016-78361-Res_ES
dc.language.isospaes_ES
dc.publisherUniversidade da Coruña, Servizo de Publicaciónses_ES
dc.relation.urihttps://doi.org/10.17979/spudc.9788497497169.686es_ES
dc.rightsAtribución-NoComercial-CompartirIgual 4.0es_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0*
dc.subjectMappinges_ES
dc.subjectLocalización jerárquicaes_ES
dc.subjectImágenes omnidireccionaleses_ES
dc.subjectDescriptores de apariencia globales_ES
dc.subjectMachine learninges_ES
dc.subjectHierarchical localizationes_ES
dc.subjectOmnidirectional imageses_ES
dc.subjectGlobal appearance descriptorses_ES
dc.titleUso de técnicas de machine learning para realizar mapping en robótica móviles_ES
dc.title.alternativeUse of Machine Learning Techniques to Tackle Mapping in Mobile Roboticses_ES
dc.typeinfo:eu-repo/semantics/articlees_ES
dc.rights.accessinfo:eu-repo/semantics/embargoedAccesses_ES
dc.date.embargoEndDate2019-08-25es_ES
dc.date.embargoLift2019-08-25
UDC.startPage686es_ES
UDC.endPage693es_ES
UDC.conferenceTitleXL Jornadas de Automáticaes_ES


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record