Abstract:
La creación de mapas y modelado del entorno es una tarea primordial en la navegación de robots móviles. Obtener un modelo
del entorno ligero y robusto es imperativo cuando los procesos se van a ejecutar en un robot con capacidad de cómputo y memoria
limitada como es el caso de la mayoría de los robots trepadores. En este artículo se propone el uso de diferentes arquitecturas de
redes neuronales para identificar de los datos capturados por un sensor LiDAR aquellos puntos que estén contenidos en planos
pertenecientes a estructuras reticulares. Su propósito es eliminar información irrelevante como árboles o suelo a fin de mitigar
los requisitos necesarios a posteriori de cómputo y memoria para tareas de mapeado o localización. Para el entrenamiento de
dichas redes neuronales se ha utilizado un proceso de generación y etiquetado automático de datasets mediante entornos de
simulación. Los experimentos realizados demuestran el correcto funcionamiento de las redes neuronales para la segmentación
de elementos de la estructura contenidos en un plano
Map building and environment modelling is a main task in mobile robot navigation. Obtaining a lightweight and robust model
of the environment is crucial when processes are going to be run in a robot with low computing power and memory, as in the
case of most climbing robots. This article proposes the use of different neural network architectures to identify from the data
captured with a LiDAR sensor those points contained in planes belonging to reticular structures. Our purpose is to remove
irrelevant information such as trees or soil in order to reduce the computation and memory requirements for mapping or
localization tasks. For training these neural networks, an automatic dataset generation and labelling process has been developed
through simulated environments. The experiments evidence the capacity of neural networks to segment elements of the structure
contained in a plane.
.png){kind=logo}
