We consider exploration tasks performed by autonomous robot in indoor environments. During the exploration, the robot goes through a sequence of decisions on where to go and whether to stop. In this thesis, we present a deep learning approach that could decide whether to stop. Our deep learning model is developed to terminate the exploration when the map information is enough to reconstruct and output an accurate map, instead of terminating the exploration when every corner of the map has been actually observed. Experimental activities, performed in several different environments show that our approach is able to terminate the exploration timely, and to save a significant amount of time in the exploration.

In questo lavoro di tesi, consideriamo le attività di esplorazione eseguite da robot mobili autonomi in ambienti interni. Durante l'esplorazione, il robot opera una sequenza di decisioni su dove andare e su quando fermarsi. In questa tesi, presentiamo un approccio di deep learning che permette al robot se fermarsi. Il nostro modello è stato sviluppato per terminare l'esplorazione quando le informazioni raccolte nella mappa sono sufficienti per ricostruire una mappa accurata, invece di terminare l'esplorazione quando ogni area dell'ambiente è stata effettivamente osservata. Le attività sperimentali, condotte in diversi ambienti in simulazione, mostrano che il nostro approccio è in grado di terminare l'esplorazione in modo tempestivo e di risparmiare una notevole quantità di tempo.

A data-driven approach for early stopping in autonomous robot exploration based on convolutional neural networks

LIN, CHANG;LI, MINGJU
2018/2019

Abstract

We consider exploration tasks performed by autonomous robot in indoor environments. During the exploration, the robot goes through a sequence of decisions on where to go and whether to stop. In this thesis, we present a deep learning approach that could decide whether to stop. Our deep learning model is developed to terminate the exploration when the map information is enough to reconstruct and output an accurate map, instead of terminating the exploration when every corner of the map has been actually observed. Experimental activities, performed in several different environments show that our approach is able to terminate the exploration timely, and to save a significant amount of time in the exploration.
LUPERTO, MATTEO
ING - Scuola di Ingegneria Industriale e dell'Informazione
3-ott-2019
2018/2019
In questo lavoro di tesi, consideriamo le attività di esplorazione eseguite da robot mobili autonomi in ambienti interni. Durante l'esplorazione, il robot opera una sequenza di decisioni su dove andare e su quando fermarsi. In questa tesi, presentiamo un approccio di deep learning che permette al robot se fermarsi. Il nostro modello è stato sviluppato per terminare l'esplorazione quando le informazioni raccolte nella mappa sono sufficienti per ricostruire una mappa accurata, invece di terminare l'esplorazione quando ogni area dell'ambiente è stata effettivamente osservata. Le attività sperimentali, condotte in diversi ambienti in simulazione, mostrano che il nostro approccio è in grado di terminare l'esplorazione in modo tempestivo e di risparmiare una notevole quantità di tempo.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
Tesi Finale.pdf

accessibile in internet per tutti

Descrizione: Thesis Final
Dimensione 7.76 MB
Formato Adobe PDF
7.76 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/149807