Por favor, use este identificador para citar o enlazar este ítem:
http://cimat.repositorioinstitucional.mx/jspui/handle/1008/524| Generación de una Memoria Visual para la Navegación Autónoma de un Robot Humanoide | |
| EMMANUEL OVALLE MAGALLANES | |
| Acceso Abierto | |
| Atribución-NoComercial | |
| Robot Humanoide | |
| En este trabajo se propone un método para generar una memoria visual para un robot humanoide. Una memoria visual es un mapa topológico compuesto por un conjunto de imágenes (imágenes clave) organizadas como un grafo, el cual captura la topología del ambiente. La memoria se genera a partir de una secuencia de imágenes obtenidas con la cámara montada en el robot durante una fase semi-asistida (fase de entrenamiento). Esta clase de representación del ambiente está inspirada en la manera en que los humanos recordamos lugares previamente visitados, con el fin de reconstruir mentalmente una ruta que indique lo que se debe de observar durante el recorrido desde un lugar inicial hasta un lugar final. Por lo tanto, este tipo de mapas no requieren información métrica para representar el ambiente. El método propuesto para generar la memoria visual es fuera de línea (offline), lo cual significa que el procesamiento para generar la memoria visual se realiza fuera del robot a partir de una secuencia de imágenes capturada previamente. Se evalúan dos diferentes metodologías para la selección de las imágenes clave: por emparejamiento y por rastreo de características visuales de las imágenes. En ambos casos se realiza una validación geométrica (por la restricción epipolar) entre pares de imágenes clave consecutivas. La selección de imágenes clave es llevada a cabo de tal manera que exista información visual en común entre pares de imágenes clave consecutivas, pero que éstas hayan sido tomadas lo más distantes posible. Se tienen entonces dos objetivos antagónicos: mantener un compromiso entre el menor número de imágenes clave y asegurar que imágenes clave consecutivas compartan la mayor información visual posible. Una vez que se tiene una cadena de imágenes clave seleccionadas, se realiza un proceso para detectar cierres de ciclo mediante un filtro de Bayes discreto, en el cual se divide el ambiente en lugares y se detectan aquellos lugares que fueron visitados más de una ocasión durante la fase de entrenamiento. Esta representación final del ambiente permitirá posteriormente generar rutas visuales más cortas para la navegación en la etapa de planificación. | |
| 09-11-2016 | |
| Tesis de maestría | |
| INTELIGENCIA ARTIFICIAL | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Tesis del CIMAT |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| TE 606.pdf | 12.3 MB | Adobe PDF | Visualizar/Abrir |