Auto-localización de UGVs anónimos utilizando aprendizaje profundo a partir de imágenes aéreas periódicas para un entorno sin GPS
Autores: Poulet, Olivier; Guinand, Frédéric; Guérin, François
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Auto-localización de UGVs anónimos utilizando aprendizaje profundo a partir de imágenes aéreas periódicas para un entorno sin GPS
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Navegación autónoma
Robots móviles terrestres
Entorno sin GPS
Aprendizaje profundo
Perceptrón Multicapa
Localización indexada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Este trabajo se refiere a la navegación autónoma de robots móviles terrestres no holonómicos en un entorno sin GPS. El objetivo era localizar, en un marco global, sin GPS, robots móviles terrestres anónimos a partir de dos imágenes aéreas consecutivas capturadas por una sola cámara web fija. Se comparó la efectividad del aprendizaje profundo mediante un Perceptrón Multicapa en una localización indexada con los métodos estudiados en trabajos anteriores. También se realizó la capacidad de un robot para determinar la posición de otros robots no indexados. Se presentan la estructura y los parámetros de la red, así como la elección de los puntos tenidos en cuenta durante la fase de aprendizaje para obtener un óptimo local. Los resultados, obtenidos a partir de datos simulados y experimentales, se comparan con los obtenidos con métodos más clásicos para diferentes períodos de muestreo (tiempo entre imágenes).
Descripción
Este trabajo se refiere a la navegación autónoma de robots móviles terrestres no holonómicos en un entorno sin GPS. El objetivo era localizar, en un marco global, sin GPS, robots móviles terrestres anónimos a partir de dos imágenes aéreas consecutivas capturadas por una sola cámara web fija. Se comparó la efectividad del aprendizaje profundo mediante un Perceptrón Multicapa en una localización indexada con los métodos estudiados en trabajos anteriores. También se realizó la capacidad de un robot para determinar la posición de otros robots no indexados. Se presentan la estructura y los parámetros de la red, así como la elección de los puntos tenidos en cuenta durante la fase de aprendizaje para obtener un óptimo local. Los resultados, obtenidos a partir de datos simulados y experimentales, se comparan con los obtenidos con métodos más clásicos para diferentes períodos de muestreo (tiempo entre imágenes).