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

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 omputo[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.