Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3950| Localización de robots móviles en interiores utilizando aprendizaje de máquina Indoor mobile robot localization using machine learning | |
| Harumi Andrés Pino Urakami | |
| UBALDO RUIZ LOPEZ | |
| Acceso Abierto | |
| Atribución | |
| Localización, aprendizaje de máquina, sensor inercial, señal Wi-Fi, robot móvil Localization, machine learning, inertial sensor, Wi-Fi signal, mobile robot | |
| Uno de los problemas fundamentales en el área de la robótica móvil es el de la localización, siendo la base de la navegación autónoma y planificación de trayectorias. Mientras que en ambientes exteriores tecnologías como GPS, trilateración o triangulación son ampliamente utilizadas, en ambientes interiores no son aplicables. Los métodos más comunes para abordar este problema son los algoritmos SLAM basados en sensores visuales, como cámaras RGBD o sensores de rango láser. Sin embargo, estos métodos son susceptibles a fallos en ambientes con iluminación pobre, paredes uniformes, carentes de detalle o transparentes. Es por lo anterior que en este trabajo se propone utilizar un método de aprendizaje de máquina que tome como entrada datos de las señales Wi-Fi cercanas y datos inerciales para estimar la posición de un robot móvil. Se implementó un modelo para simular la intensidad de señales Wi-Fi en el ambiente, así como un simulador robótico para generar los datos de entrenamiento y prueba para los modelos de localización. Los mejores resultados se obtuvieron utilizando la arquitectura MobileNetV3 para estimar el desplazamiento del robot utilizando solamente datos inerciales, teniendo una media de error RMS de 0.9794 a través de 10 trayectorias de prueba en el espacio vacío. Después de un segundo entrenamiento, ResNet-18 obtuvo los mejores resultados en dos recorridos de prueba en un ambiente con obstáculos, con una media de error RMS de 0.4571. Localization is one of the fundamental problems in mobile robotics, being the basis of autonomous navigation and trajectory planning. While in outdoor environments, technologies such as GPS, trilateration, or triangulation are widely used, they are not applicable in indoor environments. The most common methods to address this problem are SLAM algorithms based on visual sensors, such as RGBD cameras or laser ranging sensors. However, these methods are susceptible to failure in environments with poor lighting and regions without texture or transparent walls. For this reason, in this work, it is proposed to use a machine learning method that takes nearby Wi-Fi signals and inertial data to estimate the position of a mobile robot. A model was implemented to simulate the intensity of Wi-Fi signals in the environment, as well as a robotic simulator to generate training and test data for the location models. The best results were obtained using the MobileNetV3 architecture to estimate the robot’s displacement using only inertial data, having a mean RMS error of 0.9794 through 10 test trajectories in an empty space. After a second training, ResNet-18 obtained the best results in two test runs in an environment with obstacles, with a mean RMS error of 0.4571. | |
| CICESE | |
| 2023 | |
| Tesis de maestría | |
| Español | |
| Pino Urakami, H.A. 2023. Localización de robots móviles en interiores utilizando aprendizaje de máquina. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 64 pp. | |
| INTELIGENCIA ARTIFICIAL | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Harumi Andrés Pino Urakami_13 sep 2023.pdf | Descripción completa de la tesis | 8.69 MB | Adobe PDF | Visualizar/Abrir |