使用机器学习技术在移动机器人中执行映射

Sergio Cebollada, V. Román, L. Payá, María Flores Tenza, L. M. Jiménez, Óscar Reinoso
{"title":"使用机器学习技术在移动机器人中执行映射","authors":"Sergio Cebollada, V. Román, L. Payá, María Flores Tenza, L. M. Jiménez, Óscar Reinoso","doi":"10.17979/SPUDC.9788497497169.686","DOIUrl":null,"url":null,"abstract":"espanolEl trabajo presentado consiste en un estudio de diversos clasificadores basados en machine learning como herramienta para llevar a cabo la tarea de mapeo y localizacion en robotica movil. En concreto, estos clasificadores son utilizados para solventar la tarea de localizacion \"gruesa\", la cual forma parte de los procesos a realizar para resolver la localizacion jerarquica. El proceso de localizacion llevado a cabo por el robot consistira en (1) capturar una imagen desde una posicion desconocida, (2) calcular su correspondiente descriptor de apariencia global, (3) introducir dicha informacion al clasificador y obtener la estancia en la cual se encuentra el robot en ese instante. Tras esto, (5) el robot realizara el problema de image retrieval con toda la informacion visual de entrenamiento contenida en la estancia seleccionada (localizacion - na). Este trabajo evalua 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 imagenes omnidireccionales capturadas en entornos de interior y que presenta cambios dinamicos (personas andando, cambios de mobiliario, etc.). Los resultados obtenidos demuestran que el metodo propuesto es una alternativa eficiente para realizar la tarea de localizacion jerarquica en cuanto error de localizacion y tiempo de computo. EnglishThis 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.","PeriodicalId":189601,"journal":{"name":"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2020-06-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Uso de técnicas de machine learning para realizar mapping en robótica móvil\",\"authors\":\"Sergio Cebollada, V. Román, L. Payá, María Flores Tenza, L. M. Jiménez, Óscar Reinoso\",\"doi\":\"10.17979/SPUDC.9788497497169.686\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"espanolEl trabajo presentado consiste en un estudio de diversos clasificadores basados en machine learning como herramienta para llevar a cabo la tarea de mapeo y localizacion en robotica movil. En concreto, estos clasificadores son utilizados para solventar la tarea de localizacion \\\"gruesa\\\", la cual forma parte de los procesos a realizar para resolver la localizacion jerarquica. El proceso de localizacion llevado a cabo por el robot consistira en (1) capturar una imagen desde una posicion desconocida, (2) calcular su correspondiente descriptor de apariencia global, (3) introducir dicha informacion al clasificador y obtener la estancia en la cual se encuentra el robot en ese instante. Tras esto, (5) el robot realizara el problema de image retrieval con toda la informacion visual de entrenamiento contenida en la estancia seleccionada (localizacion - na). Este trabajo evalua 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 imagenes omnidireccionales capturadas en entornos de interior y que presenta cambios dinamicos (personas andando, cambios de mobiliario, etc.). Los resultados obtenidos demuestran que el metodo propuesto es una alternativa eficiente para realizar la tarea de localizacion jerarquica en cuanto error de localizacion y tiempo de computo. EnglishThis 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.\",\"PeriodicalId\":189601,\"journal\":{\"name\":\"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)\",\"volume\":\"1 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2020-06-11\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.17979/SPUDC.9788497497169.686\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.17979/SPUDC.9788497497169.686","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

本文介绍了一项基于机器学习作为一种工具来执行移动机器人映射和定位任务的各种分类器的研究。具体来说,这些分类器用于解决“粗”本地化任务,这是解决层次本地化过程的一部分。机器人执行的定位过程包括:(1)从一个未知的位置捕捉图像,(2)计算其相应的全局外观描述符,(3)将该信息输入分类器,并获得机器人当时所在的位置。在此之后,(5)机器人将执行图像检索问题,所有的视觉训练信息包含在选定的房间(位置- na)。这项工作评估了三种分类器(Na ve贝叶斯、SVM和基于神经网络的分类器)的使用,这些分类器被三种可能的全局外观描述符(HOG、gist和一个从CNN获得的描述符)训练。实验是通过使用一个数据集进行的,该数据集包含在室内环境中捕获的全向图像,并呈现动态变化(行走的人,家具的变化等)。在此基础上,提出了一种基于层次定位的方法,该方法在定位误差和计算时间方面是一种有效的方法。本文介绍了一项关于使用基于机器学习工具的几种分类来完成移动机器人的映射和定位任务的研究。= =地理= =根据美国人口普查,这个县的面积为。因此,机器人捕获的位置包括:(1)获取一个未知位置的图像,(2)计算其相关的全局外观描述符,(3)将该信息输入分类器以估计当前房间。之后,(5)机器人用所选房间中包含的训练数据集提供的所有视觉信息解决了图像检索问题(无定位步骤)。本文评估了三种类型的分类(Na ve贝叶斯、SVM和基于神经网络的分类)的使用情况,这三种类型的分类采用了三种可能的整体外观描述符(HOG、gist和CNN计算出的一种描述符)。这些实验是通过使用包含动态变化(人的行走、家具的变化等)下室内拍摄的全向图像的数据集进行的。The成果获得show that this method - is an e cient替代性解决The hierarchical localization关于localization and The time计算错误。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
Uso de técnicas de machine learning para realizar mapping en robótica móvil
espanolEl trabajo presentado consiste en un estudio de diversos clasificadores basados en machine learning como herramienta para llevar a cabo la tarea de mapeo y localizacion en robotica movil. En concreto, estos clasificadores son utilizados para solventar la tarea de localizacion "gruesa", la cual forma parte de los procesos a realizar para resolver la localizacion jerarquica. El proceso de localizacion llevado a cabo por el robot consistira en (1) capturar una imagen desde una posicion desconocida, (2) calcular su correspondiente descriptor de apariencia global, (3) introducir dicha informacion al clasificador y obtener la estancia en la cual se encuentra el robot en ese instante. Tras esto, (5) el robot realizara el problema de image retrieval con toda la informacion visual de entrenamiento contenida en la estancia seleccionada (localizacion - na). Este trabajo evalua 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 imagenes omnidireccionales capturadas en entornos de interior y que presenta cambios dinamicos (personas andando, cambios de mobiliario, etc.). Los resultados obtenidos demuestran que el metodo propuesto es una alternativa eficiente para realizar la tarea de localizacion jerarquica en cuanto error de localizacion y tiempo de computo. EnglishThis 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.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Comparación de algoritmos de aprendizaje automático para la clasificación de posturas de la mano y dedos Control de formaciones sobre regiones objetivo de sistemas multi-agente lagrangianos con retardo Control predictivo lineal del PH en un fotobiorreactor Raceway Evaluación de un algoritmo de torque vectoring con capacidad de frenado regenerativo Optimización heurística con criterios de error de control TMD en turbinas marinas flotantes
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1