Resumen de Estimación de zonas transitables en nubes de puntos 3D con redes convolucionales dispersas

Antonio Santo López, Arturo Gil Aparicio , David Valiente Garcia, Mónica Ballesta Galdeano , Óscar Reinoso García

• español

  La correcta evaluación del entorno en tareas como la navegación de robots terrestres o la conducción autónoma de vehículos se debe considerar un requisito mínimo para dotar de independencia a un sistema robótico. En concreto, la navegación de un robot en entornos desconocidos, naturales y desestructurados precisa contar con técnicas que permitan seleccionar sobre qué zonas puede circular el robot. Con el fin de poder aumentar la soberanía de las decisiones autónomas del sistema, en este artículo se propone un método para la evaluación de las nubes de puntos 3D obtenidas mediante un LiDAR con objeto de obtener las zonas transitables, tanto en entornos de carretera como en entornos naturales. Concretamente, se propone una configuración codificador-decodificador dispersa entrenada con características invariantes a rotación, que tiene como fin replicar los datos de entrada asociando a cada punto las características e transitabilidad aprendidas. Los resultados experimentales muestran la robustez y efectividad del método propuesto en entornos de exteriores, llegando a mejorar los resultados de otros enfoques.

• English

  The correct assessment of the environment in tasks such as ground robot navigation or autonomous vehicle driving should be considered a rninimum requirement to provide independence to a robotic system. In particular, the navigation of a robot in unknown, natural and unstructured environments requires techniques to select over which areas the robot can circulate. In order to increase the autonomy of the system's decisions, this paper proposes a method for the evaluation of 3D point clouds obtained by LiDAR in order to obtain traversable areas, both in road and natural environments. Specifically, a sparse encoder-decoder configuration trained with rotation invariant features is proposed, which aims to replicate the input data by associating to each point the learned traversability features. Experimental results show the robustness and effectiveness of the proposed method in outdoor environments, improving the results of other approaches.