metodologia modelos ocultos de...
Post on 21-Oct-2019
12 Views
Preview:
TRANSCRIPT
1
1/57
Mapeamento robóticoExemplos de mapas:
Planta do 2o. andar do USC SAL
Mapa: occupancy grid
Ambiente urbano
Mapa: point cloud 3D2/57
Mapeamento semântico
� Semântica consiste em associar significado aos dados.
� A utilização de semântica em mapas robóticos facilita a interpretação e o compartilhamento das informações por robôs, pessoas e outras máquinas.
� Quanto mais informações são incorporadas nos mapas, mais complexas são as tarefas que podem ser executadas pelos robôs.
� Virtualmente, qualquer propriedade do ambiente pode ser representada em um mapa.
Mapeamento semântico consiste na criação de mapas q ue não representam apenas a ocupação métrica do ambiente, mas também o utras propriedades.
3/57
Metodologia
� Nossa metodologia para mapeamento semântico combina algoritmos de mapeamento com técnicas de aprendizado de máquina.
� Aprendizado supervisionado é utilizado para associar automaticamente informações sensorias com os padrões de classificaç ão desejados.
� Técnicas de mapeamento semântico:
� Baseada em modelos ocultos de Markov (HMM)
� Baseada em maquinas de vetores de suporte (SVM)
� Ambas as técnicas foram testadas em dois problemas:
� Mapeamento semântico de terreno
� Mapeamento semântico baseado em atividade
4/57
Modelos ocultos de Markov� Um modelo oculto de Markov (HMM) consiste em um processo de Markov que contém estados desconhecidos e emite saídas observáveis.
� O desafio está em estimar os estados desconhecidos (ocultos) baseado na informação observável.
� O modelo utilizado (distribuição dos estados iniciais e tabela de transição de estados) é aprendido baseado dados manualmente classificados.
� O algoritmo de Viterbi é usado estimar os estados desconhecidos.
� Para corrigir eventuais erros de classificação, uma técnica de segmentação baseada em campos aleatórios de Markov (MRF).
� A classificação de cada elemento é recalculada condicionalmente baseada na classificação dos elementos adjacentes.
5/57
Maquinas de vetores de suporte
SVM executa a classificação de dados estimando hiperplanos em espaços multidimensionais, separando dados de classes diferentes e maximizando a
distância entre o hiperplano e os dados (margem).
6/57
Maquinas de vetores de suporte
Para casos onde os dados não são separáveis linearmente, esses dados são mapeados em outro espaço Euclideano onde eles são linearmente separáveis. Funções kernel são utilizadas para tanto.
Dados em duas dimensões Dados em espaço de mais alta dimensionalidade
2
7/57
Maquinas de vetores de suporte
Quatro tipos de kernels foram utilizados durante os experimentos:
� Linear
� Polinomial:
� RBF:
� Sigmoid:
Obs: O software SVM foi utilizado durante os experimentos de classificação.
Onde s são os vetores de suporte, x são os pontos à serem classificados, e a, b, c, e d são parâmetros
(estimados utilizando-se validação cruzada).
8/57
Outline
� Mapeamento em ambientes externos
� Mapeamento semântico
� Mapeamento de terreno
� Mapeamento baseado em atividade
� Conclusão
9/57
Mapeamento semântico de terrenoO mapeamento semântico de terreno consiste em criar uma representação
tridimensional e classificar o terreno de acordo com sua navegabilidade.
Non navigableNon navigable Navigable
Propriedades do terreno utilizadas na aprendizagem e classificação:
� Altitude relativa: diferença de altitude entre determinado ponto e os pontos adjacentes.
� Altitude absoluta: altitude absoluta de um ponto específico.
Obs: A elevação do terreno é considerada constante durante o mapeamento 10/57
Terrenos mapeados
Calçada Jardim
P1
P2
P3P4
P5
11/57
Non navigableNon navigable Navigable
Mapeamento de terreno: formulação do problema
Formulação do problema utilizando-se HMM:
� Cada leitura do laser (360 medidas) consiste em uma seqüência de dados.
� Existem duas classificações possíveis para cada medida do laser: G (navegável) ou N (não navegável).
� As distribuições de estado inicial e transições são aprendidas baseadas em exemplos manualmente classificados.
� Ao invés de utilizar um conjunto de símbolos de observação, as observações são calculadas baseadas na altitude relativa de cada ponto.
Formulação do problema utilizando-se SVM:
� As propriedades de cada ponto no mapa servem como entradas para a SVM, que classifica cada ponto individualmente.
12/57
Navegação autonoma
3
13/57
Resultados do mapeamento de terreno
HMM HMM + MRF 14/57
Resultados do mapeamento de terreno
Classificação utilizando-se SVM
15/57
Resultados do mapeamento de terreno
Kernel linear Kernel linear+ MRF
Kernel RBF Kernel RBF+ MRF
16/57
Resultados do mapeamento de terreno
Kernel linear Kernel linear + MRF
Kernel RBF Kernel RBF + MRF
17/57
Resultados do mapeamento de terreno
Kernel linear Kernel linear + MRF
Kernel RBF Kernel RBF + MRF 18/57
Resultados do mapeamento de terreno
Classificação correta(referência)
Kernel linear Kernel polinomial
Kernel RBF Kernel sigmoid
4
19/57
Comparação dos métodos
HMM (97.20% + 96.20%) SVM (97.59% + 97.52%)
HMM + MRF (97.40% + 98.50%) SVM + MRF (97.76% + 98.15%) 20/57
Comparação dos métodos
SVM (94.40% + 95.48%)HMM (93.10% + 97.80%)
HMM + MRF (97.60% + 98.90%) SVM (95.34% + 91.21%)
21/57
Outline
� Mapeamento em ambientes externos
� Mapeamento semântico
� Mapeamento de terreno
� Mapeamento baseado em atividade
� Conclusão
22/57
Propriedades do espaço utilizadas para o aprendizado e classificação:
� Atividade: acontece sempre que determinada parte do espaço é ocupada e se torna vazia e vice-versa.
� Ocupação: acontece sempre que determinada parte do espaço é ocupada
� Tamanho máximo : tamanho máximo entre as entidades que ocuparam determinada parte do espaço.
� Tamanho médio: tamanho médio entre as entidades que ocuparam determinada parte do espaço.
Mapeamento semântico baseado em atividade
O mapeamento semântico baseado em atividade consiste em construir um mapa e classificar semanticamente um ambiente urbano baseado na utilização do espaço
pelas entidades móveis.
Área experimentalAtividade captada
pelos sensores
O ambiente é classificado em rua ou calçada baseado no tamanho e na atividade
das entidades móveis.
23/57
Formulação do problema utilizando-se HMM:
� O ambiente é discretizado em células.
� Existem duas classificações possíveis para cada célula: rua (S) e calçada (W).
� Cada linha de células é considerada como uma seqüência de dados.
� As observações são calculadas baseadas nas propriedades do espaço (atividade, ocupação, tamanha máximo e tamanho médio).
� As distribuições de estado inicial e transições são aprendidas baseadas em exemplos manualmente classificados.
Formulação do problema utilizando-se SVM:
� As propriedades de cada célula no mapa servem como entradas para a SVM, que classifica cada célula individualmente.
Mapeamento baseado em atividade
24/57
Resultados do mapeamento baseado em atividade
Classification results
Ground truth
5
25/57
Resultados do mapeamento baseado em atividade
Tamanho médio (HMM)
Tamanho máximo (HMM) Tamanho máximo (HMM + MRF)
Tamanho médio (HMM + MRF)
26/57
Resultados do mapeamento baseado em atividade
Atividade (HMM) Atividade (HMM + MRF)
Ocupação (HMM) Ocupação (HMM + MRF)
27/57
Resultados do mapeamento baseado em atividade
Classificação utilizando-se as 4 propriedades do esp aço
Classificação utilizando-se as propriedades: ativida de e tamanho médio
28/57
Resultados do mapeamento baseado em atividade
Dados de treinamento (referência)
Dados de treinamento (kernel linear)
Dados de treinamento (kernel RBF)
Dados completos(referência)
Dados completos(kernel linear)
Dados completos(kernel RBF)
Classificação utilizando-se as propriedades: atividade e tamanho médio
29/57
Resultados do mapeamento baseado em atividade
Kernel linear
Kernel linear + MRF
Kernel RBF
Kernel RBF + MRF
Kernel polinomial
Kernel polinomial + MRF
Classificação utilizando-se as propriedades: atividade e tamanho médio
30/57
Resultados do mapeamento baseado em atividade
Obs: Kernel linear
Propriedades: (1) atividade, (2) ocupação, (3) tama nho máximo, e (4) tamanho médio
6
31/57
Resultados do mapeamento baseado em atividade
Categoria A
Categoria B
Categoria C
32/57
Comparação dos métodos
SVM (79.64%)
SVM + MRF (79.67%)
(HMM 75.40%)
HMM + MRF (82.72%)
Propriedade: tamanho médio
33/57
Comparação dos métodosPropriedade: tamanho máximo
SVM + MRF (78.88%)
(HMM 78.26%)
HMM + MRF (83.01%)
SVM (78.53%)
34/57
Classificação multi-classes com SVM
Vermelho: ruaVerde: calçadaAzul: áreas estáticasBranco: área sem atividade / ocupação
Áreas estáticas:� Alta ocupação � Baixa atividade
Referência
Resultados da classificação
Propriedades: (1) atividade, (2) ocupação, (3) tama nho máximo e (4) tamanho médio
35/57
Resultados da classificação
Propriedades: 1,2,3
Propriedades: 1,2,4
Propriedades: 1,2,3,4
Propriedades: (1) atividade, (2) ocupação, (3) tamanho máximo e (4) tamanho médio
top related