El 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.
展开▼
