Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/11000/31575
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorSoler Gil, Francisco José-
dc.contributor.authorPeidro, Adrian-
dc.contributor.authorFabregat Jaén, Marc-
dc.contributor.authorPaya, Luis-
dc.contributor.authorReinoso, Oscar-
dc.contributor.otherDepartamentos de la UMH::Ingeniería de Sistemas y Automáticaes_ES
dc.date.accessioned2024-02-28T11:38:54Z-
dc.date.available2024-02-28T11:38:54Z-
dc.date.created2023-06-
dc.identifier.citationJornadas Nacionales de Robótica y Bioingeniería 2023: Libro de actases_ES
dc.identifier.isbn978-84-09-51892-0-
dc.identifier.urihttps://hdl.handle.net/11000/31575-
dc.description.abstractLa 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 planoes_ES
dc.description.abstractMap 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.es_ES
dc.formatapplication/pdfes_ES
dc.format.extent21es_ES
dc.language.isoenges_ES
dc.publisherE.T.S. Ingenieros Industriales Universidad Politécnica de Madrides_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectRedes neuronaleses_ES
dc.subjectRobótica inteligentees_ES
dc.subjectConstrucción de mapases_ES
dc.subjectRobots móviles autónomoses_ES
dc.subjectNavegación programación y visión de robotses_ES
dc.subjectNubes de Puntoses_ES
dc.subjectDetecciónes_ES
dc.subject.otherCDU::6 - Ciencias aplicadas::62 - Ingeniería. Tecnologíaes_ES
dc.titleSegmentación de planos a partir de nubes de puntos 3D en estructuras reticulareses_ES
dc.typeinfo:eu-repo/semantics/articlees_ES
dc.relation.publisherversionhttps://doi.org/10.20868/UPM.book.74896es_ES
Aparece en las colecciones:
Artículos Ingeniería de Sistemas y Automática


Vista previa

Ver/Abrir:
 4-2023_JNR_EstructurasReticulares (1) (1).pdf

2,58 MB
Adobe PDF
Compartir:


Creative Commons La licencia se describe como: Atribución-NonComercial-NoDerivada 4.0 Internacional.