Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
[ES] Este trabajo presenta un sistema robusto de localización en entornos exteriores, basado en datos de nubes de puntos obtenidos mediante sensores LiDAR. El sistema está diseñado para mantener la estimación de la pose como mecanismo de redundancia ante fallos del sistema de posicionamiento global...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/228521 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/228521 |
| Access Level: | acceso abierto |
| Palabra clave: | Redes neuronales convolucionales (CNN) Aprendizaje por refuerzo profundo (DRL) Imagen de rango Vista de pájaro Point cloud Bird s-eye view Convolutional neural networks (CNNs) Deep reinforcement learning (DRL) Máster Universitario en Automática e Informática Industrial-Màster Universitari en Automàtica i Informàtica Industrial |
| Sumario: | [ES] Este trabajo presenta un sistema robusto de localización en entornos exteriores, basado en datos de nubes de puntos obtenidos mediante sensores LiDAR. El sistema está diseñado para mantener la estimación de la pose como mecanismo de redundancia ante fallos del sistema de posicionamiento global (GPS). La metodología propuesta se fundamenta en el reconocimiento de lugares mediante descriptores extraídos por redes neuronales convolucionales (CNN), consultados mediante el algoritmo de k vecinos más cercanos (KNN) sobre dos proyecciones complementarias de los datos: imágenes de rango y vista cenital (BEV). Además, se incorpora un agente de aprendizaje por refuerzo profundo (DRL) como capa de decisión, encargado de filtrar candidatos con alta precisión. La reproducibilidad y trazabilidad del sistema se garantizan mediante la partición controlada del conjunto de datos en subconjuntos de entrenamiento, validación y prueba, utilizando las secuencias 00, 01, 02, 05 y 08 del dataset KITTI, junto con semillas aleatorias fijadas. Se emplean identificadores globales persistentes por fotograma para asegurar la alineación entre las vistas de rango, BEV y las poses, complementados por metadatos consistentes (ID, secuencia, pose, marca temporal y rutas) que permiten una sincronización precisa. Un orquestador registra telemetría detallada en cada etapa del proceso, incluyendo latencia, uso de CPU/GPU y consumo de memoria, todo en formato JSON. La arquitectura propuesta admite configuraciones de una o dos ramas, con redes base intercambiables (ResNet, EfficientNet, MobileNet), lo que facilita estudios sistemáticos de ablación y permite extensiones modulares. La evaluación del sistema se realiza mediante métricas basadas en ranking (Recall@k, Precision@k, F1@k) y métricas de odometría (ATE y RPE en traslación y rotación), complementadas con medidas de coste computacional para caracterizar los compromisos entre precisión y eficiencia. |
|---|