Análisis comparativo de arquitecturas de aprendizaje profundo para odometría visual

Abstract

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.