Estimación de zonas transitables en nubes de puntos 3D con redes convolucionales dispersas
Use este enlace para citar
http://hdl.handle.net/2183/33671
A non ser que se indique outra cousa, a licenza do ítem descríbese como Attribution-NonCommercial-ShareAlike 4.0 lnternational (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-ncsa/4.0/
Coleccións
Metadatos
Mostrar o rexistro completo do ítemTítulo
Estimación de zonas transitables en nubes de puntos 3D con redes convolucionales dispersasTítulo(s) alternativo(s)
Estimation of traversable zones in 3D point clouds with sparse convolutional networksData
2023Cita bibliográfica
Santo, A., Gil, A., Valiente, D., Ballesta, M., Reinoso, O. 2023. Estimación de zonas transitables en nubes de puntos 3D con redes convolucionales dispersas. XLIV Jornadas de Automática, 732-737 https://doi.org/10.17979/spudc.9788497498609.732
Resumo
[Resumen] La correcta evaluación del entorno en tareas como la navegación de robots terrestres o la conducción autónoma de vehículos se debe considerar un requisito mínimo para dotar de independencia a un sistema robótico. En concreto, la navegación de un robot en entornos desconocidos, naturales y desestructurados precisa contar con técnicas que permitan seleccionar sobre qué zonas puede circular el robot. Con el fin de poder aumentar la soberanía de las decisiones autónomas del sistema, en este artículo se propone un método para la evaluación de las nubes de puntos 3D obtenidas mediante un LiDAR con objeto de obtener las zonas transitables, tanto en entornos de carretera como en entornos naturales. Concretamente, se propone una configuración codificador-decodificador dispersa entrenada con características invariantes a rotación, que tiene como fin replicar los datos de entrada asociando a cada punto las características e transitabilidad aprendidas. Los resultados experimentales muestran la robustez y efectividad del método propuesto en entornos de exteriores, llegando a mejorar los resultados de otros enfoques. [Abstract] The correct assessment of the environment in tasks such as ground robot navigation or autonomous vehicle driving should be considered a rninimum requirement to provide independence to a robotic system. In particular, the navigation of a robot in unknown, natural and unstructured environments requires techniques to select over which areas the robot can circulate. In order to increase the autonomy of the system's decisions, this paper proposes a method for the evaluation of 3D point clouds obtained by LiDAR in order to obtain traversable areas, both in road and natural environments. Specifically, a sparse encoder-decoder configuration trained with rotation invariant features is proposed, which aims to replicate the input data by associating to each point the learned traversability features. Experimental results show the robustness and effectiveness of the proposed method in outdoor environments, improving the results of other approaches.
Palabras chave
Robots móviles autónomos
Inteligencia artificial
Redes neuronales
Segmentación semántica
Aprendizaje y adaptación en vehículos autónomos
Percepción y detección
Autonomous mobile robot
Artificial intelligence
Neural networks
Learning and adaptation in autonomous vehicles
Perception and sensing
Inteligencia artificial
Redes neuronales
Segmentación semántica
Aprendizaje y adaptación en vehículos autónomos
Percepción y detección
Autonomous mobile robot
Artificial intelligence
Neural networks
Learning and adaptation in autonomous vehicles
Perception and sensing
Versión do editor
Dereitos
Attribution-NonCommercial-ShareAlike 4.0 lnternational (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-ncsa/4.0/
ISBN
978-84-9749-860-9