Speakers
Description
Este artículo describe varias técnicas alternativas a los sistemas de localización y mapeo de un
robot móvil mediante la detección de objetos en escena, que pueden ser implementados en
ambientes de reducida accesibilidad a la localización externa, como GPS. La metodología consiste
en implementar cuatro algoritmos de Machine Learning (ML) basados en aprendizaje nosupervisado utilizando el dataset que genera la nube de puntos de rango entregados por las
mediciones de un sensor LiDAR, el cual identifica las características del mapa de navegabilidad y
un método adicional bajo el Filtro de Kalman Extendido para encontrar el posicionamiento del
robot que se conjuga con cada uno de los cuatro algoritmos. El primer método implementado
consiste en la estimación de las características mediante métodos heurísticos, el segundo
método implementado se basa en K-Means, la tercera solución utiliza el Modelo Mixto de
Gaussianas, y finalmente el último método utilizado fue el Agrupamiento Espacial Basado en
densidad de aplicaciones con ruido (o DBSCAN por sus siglas en inglés). Para incluir incertidumbre
dentro del ambiente de prueba, se induce error de odometría en el robot que se propaga hacia
las lecturas de posicionamiento. Los resultados muestran que DBSCAN presentan los mejores
tiempos de ejecución del sistema frente a los otros métodos de ML además la localización del
robot fue más precisa con este método. Finalmente, con los resultados alcanzados se prevé que
con la disminución de error de posicionamiento y mapeo automático se pueda ahorrar los
recursos del robot.
Acceso a Conferencia Zoom Webinar:
ID de seminario web: 812 7452 5891
Código de acceso: 386588
