Exploración con un robot móvil aplicando aprendizaje profundo no supervisado

Abstract

Este trabajo busca definir un aprendizaje no supervisado para la extracción y reconocimiento de objetos o estructuras presentes en un escenario interior usando la técnica de Aprendizaje Profundo (Deep Learning). Este aprendizaje se realiza de forma autónoma para que un robot móvil pueda entender, reconocer, relacionar y buscar objetos adaptando la exploración a diferentes escenarios interiores. Para ello cuenta con tres niveles de aprendizaje no supervisado: El primero se enfoca en extraer, agrupar y relacionar imágenes de una cámara, con diferentes objetos que aparezcan en el escenario, como sillas escaleras, puertas, mesas etc., (dependiendo del contexto del lugar). El segundo nivel aprende a decidir la dirección de movimiento de un robot móvil, basado en la información de un sensor láser y una cámara. Por último, el tercer nivel crea un aprendizaje global integrando los aprendizajes ya descritos. Este trabajo se destaca por crear un sistema no supervisado que integra y entrena un sistema de reconocimiento de objetos en imágenes, un grafo de relaciones de objetos y una red neuronal para la decisión de dirección de movimiento, y la localización referencial con un robot móvil en un ambiente experimental interior. Las pruebas se realizaron en un ambiente interior, con gran variedad de objetos y obstáculos de gran complejidad, para poder probar el alcance del reconocimiento de objetos y de la exploración del robot.

"This work seeks to define unsupervised learning for the extraction and recognition of objects or structures present in an interior scenario using the Deep Learning technique. This learning is done in a autonomous so that a mobile robot can understand, recognize, relate and search objects adapting the exploration to different interior scenarios. For this, he has three levels of unsupervised learning: The first focuses on extracting, grouping and relate images of a camera, with different objects that appear on the stage, as chairs, stairs, doors, tables, etc., (depending on the context of the place). He Second level learns to decide the direction of movement of a mobile robot, based on the information of a laser sensor and a camera. Finally, the third level creates a global learning by integrating the learning already described. This work is highlighted by create an unsupervised system that integrates and trains a system of recognition of objects in images, a graph of relations of objects and a neural network for the decision of direction of movement, and the referential location with a mobile robot in a experimental interior environment. The tests were performed in an indoor environment, with great variety of objects and obstacles of great complexity, to be able to test the scope of object recognition and robot exploration."--Tomado del Formato de Documento de Grado.