Evaluación de métodos de clustering para la localización global de robots móviles

Abstract

Este trabajo de fin de grado analiza y evalúa la eficacia de cinco algoritmos de clustering de distinta naturaleza: K-MEANS, HDBSCAN, MEAN SHIFT, HIERARCHICAL CLUSTERING Y SPECTRAL CLUSTERING. Para ello, estas técnicas se han evaluado en dos escenarios heterogéneos. Por un lado, se ha analizado su rendimiento en entornos interiores empleando la base de datos Scannet, cuyos descriptores se han extraído a partir de la arquitectura sonata. Por otro lado, se han evaluado en entornos exteriores utilizando la base de datos NCLT, con descriptores extraídos mediante la arquitectura minkunext. Los resultados obtenidos evidencian que el método spectral clustering destaca como la técnica más eficaz y robusta en ambos escenarios. No obstante, en el clustering de exteriores no se han alcanzado las métricas de precisión necesarias para una navegación autónoma basada exclusivamente en el agrupamiento. Para abordar esta limitación, el trabajo propone emplear el clustering como etapa de inicialización para algoritmos de refinamiento de pose, sugiriendo la integración de técnicas como la localización de montecarlo (MCL) o el registro geométrico mediante iterative closest point (ICP).

This bachelor's thesis analyzes and evaluates the effectiveness of five clustering algorithms of different types: K-MEANS, HDBSCAN, MEAN SHIFT, HIERARCHICAL CLUSTERING, AND SPECTRAL CLUSTERING. To this end, these techniques were evaluated in two heterogeneous scenarios. First, their performance was analyzed in indoor environments using the scannet dataset, whose descriptors were extracted from the sonata architecture. Second, they were evaluated in outdoor environments using the nclt dataset, with descriptors extracted using the minkunext architecture. The results obtained show that spectral clustering stands out as the most effective and robust technique in both scenarios. however, in outdoor clustering, the necessary accuracy metrics for autonomous navigation based solely on clustering were not achieved. To address this limitation, the work proposes using clustering as an initialization stage for pose refinement algorithms, suggesting the integration of techniques such as monte carlo localization (MCL) or geometric registration using iterative closest point (ICP).