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...

Descripción completa

Detalles Bibliográficos
Autor: Santa Muñoz, Jesus Alejandro
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
id ES_fe97d4c4cbedbd7e1fc609367f7dd99b
oai_identifier_str oai:riunet.upv.es:10251/228521
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
Design and Evaluation of Vehicle Localization Techniques in Outdoor Environments Based on Point Clouds
Disseny i avaluació de tècniques de localització de vehicles en exteriors basat en núvol de punts
title Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
spellingShingle Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
Santa Muñoz, Jesus Alejandro
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
title_short Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
title_full Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
title_fullStr Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
title_full_unstemmed Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
title_sort Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntos
dc.creator.none.fl_str_mv Santa Muñoz, Jesus Alejandro
author Santa Muñoz, Jesus Alejandro
author_facet Santa Muñoz, Jesus Alejandro
author_role author
dc.contributor.none.fl_str_mv Sánchez Salmerón, Antonio José
Departamento de Ingeniería de Sistemas y Automática
Instituto Universitario de Automática e Informática Industrial
Escuela Técnica Superior de Ingeniería Industrial
Repositorio Institucional de la Universitat Politècnica de València Riunet
dc.subject.none.fl_str_mv 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
topic 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
description [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.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-11-03
2025
2025-09-29
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://riunet.upv.es/handle/10251/228521
url https://riunet.upv.es/handle/10251/228521
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reconocimiento - Compartir igual (by-sa)
http://creativecommons.org/licenses/by-sa/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reconocimiento - Compartir igual (by-sa)
http://creativecommons.org/licenses/by-sa/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de València
publisher.none.fl_str_mv Universitat Politècnica de València
dc.source.none.fl_str_mv reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
instname:Universitat Politècnica de València (UPV)
instname_str Universitat Politècnica de València (UPV)
reponame_str RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
collection RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869425698930688000
spelling Diseño y evaluación de técnicas de localización de vehículos en exteriores basado en nube de puntosDesign and Evaluation of Vehicle Localization Techniques in Outdoor Environments Based on Point CloudsDisseny i avaluació de tècniques de localització de vehicles en exteriors basat en núvol de puntsSanta Muñoz, Jesus AlejandroRedes neuronales convolucionales (CNN)Aprendizaje por refuerzo profundo (DRL)Imagen de rangoVista de pájaroPoint cloudBird s-eye viewConvolutional neural networks (CNNs)Deep reinforcement learning (DRL)Máster Universitario en Automática e Informática Industrial-Màster Universitari en Automàtica i Informàtica Industrial[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.[EN] This work presents a robust outdoor localization system based on LiDAR point cloud data, designed to maintain pose estimation as a redundancy mechanism in the event of GPS failure. The approach leverages place recognition using descriptors extracted by convolutional neural networks (CNNs), queried using k-nearest neighbors (KNN) across two complementary data projections: range-view images and bird s-eye view (BEV). A deep reinforcement learning (DRL) agent is incorporated as a decision layer to filter candidate matches with high precision. Reproducibility and traceability are ensured through dataset splits into training, validation, and test sets within the KITTI sequences (00, 01, 02, 05, 08), using controlled random seeds. Persistent global identifiers assigned to each frame ensure alignment across range-view, BEV, and pose data, while consistent metadata (ID, sequence, pose, timestamp, and paths) guarantees synchronization. An orchestrator records detailed telemetry at each step, including latency, CPU/GPU utilization, and memory usage in JSON format. The architecture supports both single-branch and dual-branch configurations, with interchangeable backbone networks (ResNet, EfficientNet, MobileNet), enabling systematic ablation studies and extensibility. Evaluation considers ranking-based metrics (Recall@k, Precision@k, F1, mAP, MRR, nDCG) and odometry metrics (ATE and RPE in translation and rotation), along with computational cost measurements to characterize the trade-offs of the proposed system.Universitat Politècnica de ValènciaSánchez Salmerón, Antonio JoséDepartamento de Ingeniería de Sistemas y AutomáticaInstituto Universitario de Automática e Informática IndustrialEscuela Técnica Superior de Ingeniería IndustrialRepositorio Institucional de la Universitat Politècnica de València Riunet20252025-11-0320252025-09-29master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://riunet.upv.es/handle/10251/228521reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valénciainstname:Universitat Politècnica de València (UPV)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Reconocimiento - Compartir igual (by-sa) http://creativecommons.org/licenses/by-sa/4.0/info:eu-repo/semantics/openAccessoai:riunet.upv.es:10251/2285212026-06-13T07:49:27Z
score 15,812429

Similares en LA Referencia