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

Abstract

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.