Please use this identifier to cite or link to this item: http://hdl.handle.net/10662/5136
Full metadata record
DC FieldValueLanguage
dc.contributor.authorManso Fernández-Argüelles, Luis Jesús-
dc.contributor.authorNúñez Trujillo, Pedro Miguel-
dc.contributor.authorSilva Filho, Sidnei Carlos da-
dc.contributor.authorDrews-Jr, Paulo-
dc.date.accessioned2017-01-19T13:54:15Z-
dc.date.available2017-01-19T13:54:15Z-
dc.date.issued2014-
dc.identifier.issn1729-8806-
dc.identifier.urihttp://hdl.handle.net/10662/5136-
dc.description.abstractEl interés por las técnicas de detección de cambios ha aumentado considerablemente en los últimos años en el campo de la robótica autónoma. Esto se debe en parte a que los cambios en el entorno de trabajo de un robot son útiles para varias habilidades robóticas (por ejemplo, cognición espacial, modelado o navegación) y aplicaciones (por ejemplo, robots de vigilancia o guía). Los cambios se detectan habitualmente comparando los datos actuales proporcionados por los sensores del robot con un mapa o modelo previamente conocido del entorno. Cuando los datos consisten en una nube de puntos grande, lidiar con ella es una tarea computacionalmente costosa, principalmente debido a la cantidad de puntos y la redundancia. El uso de Modelos de Mezcla Gaussiana (GMM) en lugar de nubes de puntos crudos conduce a un espacio de características más compacto que puede usarse para procesar eficientemente los datos de entrada. Esto nos permite segmentar con éxito el conjunto de puntos 3D adquiridos por el sensor y reducir la carga computacional del algoritmo de detección de cambios. Sin embargo, la segmentación del medio ambiente como una mezcla de gaussianos tiene algunos problemas que necesitan ser abordados adecuadamente. En este trabajo, se describe un nuevo algoritmo de detección de cambios con el fin de mejorar la robustez y el coste computacional de los enfoques anteriores. La propuesta se basa en el algoritmo clásico de Maximización de Expectativas (EM), para el cual se evalúan diferentes criterios de selección. Como se ha demostrado en la sección de resultados experimentales, el algoritmo de detección de cambios propuesto consigue la detección de cambios en el entorno de trabajo del robot más rápido y con mayor precisión que enfoques similares.es_ES
dc.description.abstractInterest in change detection techniques has considerably increased during recent years in the field of autonomous robotics. This is partly because changes in a robot’s working environment are useful for several robotic skills (e.g., spatial cognition, modelling or navigation) and applications (e.g., surveillance or guidance robots). Changes are usually detected by comparing current data provided by the robot’s sensors with a previously known map or model of the environment. When the data consists of a large point cloud, dealing with it is a computationally expensive task, mainly due to the amount of points and the redundancy. Using Gaussian Mixture Models (GMM) instead of raw point clouds leads to a more compact feature space that can be used to efficiently process the input data. This allows us to successfully segment the set of 3D points acquired by the sensor and reduce the computational load of the change detection algorithm. However, the segmentation of the environment as a Mixture of Gaussians has some problems that need to be properly addressed. In this paper, a novel change detection algorithm is described in order to improve the robustness and computational cost of previous approaches. The proposal is based on the classic Expectation Maximization (EM) algorithm, for which different selection criteria are evaluated. As demonstrated in the experimental results section, the proposed change detection algorithm achieves the detection of changes in the robot’s working environment faster and more accurately than similar approaches.es_ES
dc.description.sponsorshipPatrocinado por: • Ministerio de Economía, Industria y Competitividad: Proyecto TIN2012-38079-C03-01 (I+D+i) • Gobierno de Extremadura • Parcialmente costeado por CNPQ, FAPERGS, CAPES, y PDE-FURG • Brazilian National Institute of Science and Technology – INCT – Mar COI –CNPq: Ayuda número 610012/2011/8es_ES
dc.format.extent11 p.es_ES
dc.language.isoenges_ES
dc.publisherSAGEes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.subjectRobóticaes_ES
dc.subjectDetección de cambioses_ES
dc.subjectModelos de mezclas gaussianases_ES
dc.subjectRoboticses_ES
dc.subjectChange detectiones_ES
dc.subjectGaussian mixture modelses_ES
dc.titleA novel robust scene change detection algorithm for autonomous robots using mixtures of gaussians regular paperes_ES
dc.typearticlees_ES
dc.description.versionpeerReviewedes_ES
dc.rights.accessRightsopenAccesses_ES
dc.subject.unesco3313 Tecnología E Ingeniería Mecánicases_ES
dc.subject.unesco3311.01 Tecnología de la Automatizaciónes_ES
dc.identifier.bibliographicCitationManso Fernández-Argüelles, L. J.; Núñez Trujillo, P. M.; Silva Filho, S. C. da y Drews Jr, P. (2014). A novel robust scene change detection algorithm for autonomous robots using mixtures of gaussians regular paper. International of advanced robotic systems, 11, 18. ESSN 1729-8814es_ES
dc.type.versionpublishedVersiones_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Ingeniería de Sistemas Informáticos y Telemáticoses_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Tecnología de los Computadores y de las Comunicacioneses_ES
dc.relation.publisherversionhttp://journals.sagepub.com/doi/pdf/10.5772/57360es_ES
dc.identifier.doi10.5772/57360-
dc.identifier.publicationtitleInternational of advanced robotic systemses_ES
dc.identifier.publicationissue2es_ES
dc.identifier.publicationfirstpage18, 1es_ES
dc.identifier.publicationlastpage18, 11es_ES
dc.identifier.publicationvolume11es_ES
Appears in Collections:DISIT - Artículos

Files in This Item:
File Description SizeFormat 
57360.pdf2,67 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons