Análisis comparativo de arquitecturas de aprendizaje profundo para odometría visual
Fecha:
23/09/2020Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
Una de las principales líneas de investigación en las áreas de la robótica, es el desarrollo de técnicas que permitan que los robots sean capaces de desplazarse autónomamente en diferentes entornos. Con el fin de que el robot obtenga los valores de posición y orientación se han empleado técnicas de odometría visual, que permiten la estimación de posición y orientación a través de secuencias de imágenes. En el presente estudio se ha realizado la implementación, entrenamiento y comparativa de rendimiento de tres diferentes arquitecturas de odometría visual que emplean modelos de redes neuronales CNN y su combinación con LSTM o GRU. Se ha demostrado que la utilización del aprendizaje profundo en la odometría visual puede llegar a estimar valores cercanos a los valores reales de las secuencias de imágenes, por consiguiente, los resultados son competitivos con los métodos analíticos desarrollados para la estimación de posición y orientación.
Descripción:
One of the main lines of research in the areas of robotics is the development of techniques that allow robots to be able to move autonomously in different environments. For the robot to obtain the position and orientation values, visual odometry techniques have been used, which allow position estimation through image sequences. In the present study, the implementation, training, and performance comparison of three different visual odometry architectures that use CNN neural network models and their combination with LSTM or GRU have been carried out. It has been shown that the use of deep learning in visual odometry can estimate values close to the real values of the image sequences, therefore, the results are competitive with the analytical methods developed for the estimation of position and orientation.
Ficheros en el ítem
