Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR

Autores
Urbano Pintos, Nicolás; Lacomi, Héctor Alberto; Lavorato, Mario Blas
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Las nubes de puntos LIDAR suministran información precisa sobre distancias, y son de gran utilidad para robots de búsqueda y rescate urbano, vehículos autónomos y robots de uso industrial en general. Estos conjuntos de datos representan escenarios, ya sean interiores o exteriores, formados por edificios, personas, vehículos y objetos en general. La información se presenta de forma densa y no estructurada en coordenadas cartesianas de 3 dimensiones. Para analizar el entorno representado, una de las primeras tareas es la segmentación de los escenarios. En este trabajo se evalúan técnicas de agrupamiento no supervisado para segmentar conjuntos de datos de nubes de puntos LIDAR. A partir de una observación visual de las clases y el cálculo de métricas de agrupamiento, se compara el comportamiento de los algoritmos K-means, DBSCAN, BIRCH y Mean Shift en diferentes escenarios interiores y exteriores.
LIDAR point clouds are helpful for industrial robots, autonomous vehicles, and robotic urban search and rescue because they provide precise distance information. These data sets show indoor and outdoor scenarios with automobiles, people, buildings, and other objects. The information is presented densely and unstructured in 3-dimensional Cartesian coordinates. One of the first tasks in the analysis of the environment shown is the segmentation of the situations. This study evaluates various unsupervised clustering techniques for segmenting LIDAR point cloud data sets. An examination of the classes visually and the computation of clustering metrics serve to examine the behavior of the K-means, DBSCAN, BIRCH, and Mean Shift algorithms in various indoor and outdoor scenarios.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
segmentación
nubes de puntos LIDAR
agrupamiento
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/166481

id SEDICI_1c05c84d87f69aee74881303e21c17c8
oai_identifier_str oai:sedici.unlp.edu.ar:10915/166481
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAREvaluation of clustering techniques for segmentation of LIDAR point cloudsUrbano Pintos, NicolásLacomi, Héctor AlbertoLavorato, Mario BlasCiencias Informáticassegmentaciónnubes de puntos LIDARagrupamientoLas nubes de puntos LIDAR suministran información precisa sobre distancias, y son de gran utilidad para robots de búsqueda y rescate urbano, vehículos autónomos y robots de uso industrial en general. Estos conjuntos de datos representan escenarios, ya sean interiores o exteriores, formados por edificios, personas, vehículos y objetos en general. La información se presenta de forma densa y no estructurada en coordenadas cartesianas de 3 dimensiones. Para analizar el entorno representado, una de las primeras tareas es la segmentación de los escenarios. En este trabajo se evalúan técnicas de agrupamiento no supervisado para segmentar conjuntos de datos de nubes de puntos LIDAR. A partir de una observación visual de las clases y el cálculo de métricas de agrupamiento, se compara el comportamiento de los algoritmos K-means, DBSCAN, BIRCH y Mean Shift en diferentes escenarios interiores y exteriores.LIDAR point clouds are helpful for industrial robots, autonomous vehicles, and robotic urban search and rescue because they provide precise distance information. These data sets show indoor and outdoor scenarios with automobiles, people, buildings, and other objects. The information is presented densely and unstructured in 3-dimensional Cartesian coordinates. One of the first tasks in the analysis of the environment shown is the segmentation of the situations. This study evaluates various unsupervised clustering techniques for segmenting LIDAR point cloud data sets. An examination of the classes visually and the computation of clustering metrics serve to examine the behavior of the K-means, DBSCAN, BIRCH, and Mean Shift algorithms in various indoor and outdoor scenarios.Sociedad Argentina de Informática e Investigación Operativa2023-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf7-14http://sedici.unlp.edu.ar/handle/10915/166481spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/589info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:15:45Zoai:sedici.unlp.edu.ar:10915/166481Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:15:46.018SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
Evaluation of clustering techniques for segmentation of LIDAR point clouds
title Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
spellingShingle Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
Urbano Pintos, Nicolás
Ciencias Informáticas
segmentación
nubes de puntos LIDAR
agrupamiento
title_short Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
title_full Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
title_fullStr Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
title_full_unstemmed Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
title_sort Evaluación de técnicas de agrupamiento para segmentación de nubes de puntos LIDAR
dc.creator.none.fl_str_mv Urbano Pintos, Nicolás
Lacomi, Héctor Alberto
Lavorato, Mario Blas
author Urbano Pintos, Nicolás
author_facet Urbano Pintos, Nicolás
Lacomi, Héctor Alberto
Lavorato, Mario Blas
author_role author
author2 Lacomi, Héctor Alberto
Lavorato, Mario Blas
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
segmentación
nubes de puntos LIDAR
agrupamiento
topic Ciencias Informáticas
segmentación
nubes de puntos LIDAR
agrupamiento
dc.description.none.fl_txt_mv Las nubes de puntos LIDAR suministran información precisa sobre distancias, y son de gran utilidad para robots de búsqueda y rescate urbano, vehículos autónomos y robots de uso industrial en general. Estos conjuntos de datos representan escenarios, ya sean interiores o exteriores, formados por edificios, personas, vehículos y objetos en general. La información se presenta de forma densa y no estructurada en coordenadas cartesianas de 3 dimensiones. Para analizar el entorno representado, una de las primeras tareas es la segmentación de los escenarios. En este trabajo se evalúan técnicas de agrupamiento no supervisado para segmentar conjuntos de datos de nubes de puntos LIDAR. A partir de una observación visual de las clases y el cálculo de métricas de agrupamiento, se compara el comportamiento de los algoritmos K-means, DBSCAN, BIRCH y Mean Shift en diferentes escenarios interiores y exteriores.
LIDAR point clouds are helpful for industrial robots, autonomous vehicles, and robotic urban search and rescue because they provide precise distance information. These data sets show indoor and outdoor scenarios with automobiles, people, buildings, and other objects. The information is presented densely and unstructured in 3-dimensional Cartesian coordinates. One of the first tasks in the analysis of the environment shown is the segmentation of the situations. This study evaluates various unsupervised clustering techniques for segmenting LIDAR point cloud data sets. An examination of the classes visually and the computation of clustering metrics serve to examine the behavior of the K-means, DBSCAN, BIRCH, and Mean Shift algorithms in various indoor and outdoor scenarios.
Sociedad Argentina de Informática e Investigación Operativa
description Las nubes de puntos LIDAR suministran información precisa sobre distancias, y son de gran utilidad para robots de búsqueda y rescate urbano, vehículos autónomos y robots de uso industrial en general. Estos conjuntos de datos representan escenarios, ya sean interiores o exteriores, formados por edificios, personas, vehículos y objetos en general. La información se presenta de forma densa y no estructurada en coordenadas cartesianas de 3 dimensiones. Para analizar el entorno representado, una de las primeras tareas es la segmentación de los escenarios. En este trabajo se evalúan técnicas de agrupamiento no supervisado para segmentar conjuntos de datos de nubes de puntos LIDAR. A partir de una observación visual de las clases y el cálculo de métricas de agrupamiento, se compara el comportamiento de los algoritmos K-means, DBSCAN, BIRCH y Mean Shift en diferentes escenarios interiores y exteriores.
publishDate 2023
dc.date.none.fl_str_mv 2023-09
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/166481
url http://sedici.unlp.edu.ar/handle/10915/166481
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/589
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
7-14
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260662099640320
score 13.13397