Disseny i implementació d'un model de detecció ràpida de bucles visuals en SLAM
Un vehicle autònom que es troba en un entorn desconegut s’ha de poder desplaçar sense supervisió, i per fer-ho, ha de poder localitzar-se alhora que va construint un mapa de l’entorn. El problema que busca resoldre l’SLAM (Simultaneous Localization and Mapping) és precisament aquest. Un dels punts i...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/153556 |
| Acceso en línea: | https://hdl.handle.net/10609/153556 |
| Access Level: | acceso abierto |
| Palabra clave: | SLAM IA Artificial intelligence -- TFM Intel·ligència artificial -- TFM |
| Sumario: | Un vehicle autònom que es troba en un entorn desconegut s’ha de poder desplaçar sense supervisió, i per fer-ho, ha de poder localitzar-se alhora que va construint un mapa de l’entorn. El problema que busca resoldre l’SLAM (Simultaneous Localization and Mapping) és precisament aquest. Un dels punts importants d’SLAM és la detecció de bucles, això consisteix a identificar si el robot ha passat prèviament per un punt donat. Per a resoldre la detecció de bucles es poden usar tècniques d’aprenentatge automàtic per comparar imatges. Però, per garantir la robustesa dels models, cal un temps computacional elevat, fet que pot ser problemàtic per als vehicles autònoms, ja que solen disposar de recursos computacionals limitats. Una proposta destacada [2] consisteix en un sistema jeràrquic de tres models d’intel·ligència artificial amb robustesa creixent, que permet reduir la càrrega computacional descartant un gran nombre de casos en cada fase. Aquest treball se centra en el disseny i la implementació del primer d’aquests tres models. Un model ràpid i lleuger capaç de descartar ràpidament un gran nombre de casos negatius de manera computacionalment eficient. En aquest TFM s’han explorat les opcions FaceNet i GoogLeNet per a la detecció ràpida de bucles. Tot i els intents d’ajustament i entrenament, els resultats suggereixen que aquests models no són òptims per a tal tasca en la seva forma actual. |
|---|