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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/166481
Ver los metadatos del registro completo
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 |