Clasificación de escenas en ambientes interiores para navegación de robots utilizando inteligencia artificial

Abstract

[ES] Entender el contexto de una escena a partir de la información percibida visualmente de la misma manera que un humano lo haría, se vuelve fundamental en las acciones colaborativas de los robots en muchas tareas cotidianas. Cuando un robot realiza esta acción, es de alto grado de dificultad ya que requiere el reconocimiento de la escena a partir de un análisis del contexto de los objetos que la conforman. El conocimiento no se limita a la descripción de las características visibles del contexto, sino que también implica la capacidad de razonar sobre las relaciones existentes entre los diferentes objetos de una escena y su importancia semántica, lo que proporciona un sentido lógico al proceso de reconocimiento. El reconocimiento de escenas se utiliza en aplicaciones relacionadas con la visión por computadora, incluida la recuperación de información, la robótica, la monitorización en tiempo real y la clasificación de eventos. En los enfoques tradicionales de aprendizaje automático, las funciones se definen y extraen manualmente o mediante métodos de selección de funciones, mientras que en los modelos de aprendizaje profundo, las características se aprenden y extraen automáticamente, logrando una mayor precisión y rendimiento. Aunque en las tareas de reconocimiento de escenas, las arquitecturas de aprendizaje profundo han tenido un rendimiento aceptable, este sigue siendo un problema sin resolver en su totalidad. Los algoritmos deep learning tienen dificultades para aprender conceptos abstractos, no realizan una interpretación profunda de los contenidos, no capturan relaciones causales, y requieren grandes volúmenes de datos para alcanzar un desempeño aceptable en escenarios específicos. Para superar las debilidades existentes, se puede incluir información semántica que relacione los objetos en una escena para el proceso de auto localización de robots, permitiendo de este modo contar con una herramienta adicional en la interacción con su entorno. En esta propuesta se plantea un modelo para el reconocimiento de escenas interiores que mejora la interacción entre robots, su entorno y las personas mediante el uso de información semántica. El método se basa en el análisis del contexto de objetos en imágenes, seleccionando regiones discriminantes y aplicando técnicas de extracción de características que maximizan la información relevante. A través de mecanismos de atención, se generan mapas de prominencia para identificar objetos clave que contribuyen al reconocimiento eficiente de escenas. La representación final combina características locales y globales, construidas en arquitecturas genéricas de extracción de características.

[EN] Understanding the context of a scene from visually perceived information in a manner akin to human perception is fundamental to enabling collaborative robot behaviors in many everyday tasks. However, when a robot attempts to perform this process, it becomes highly challenging, as it requires scene recognition grounded in an analysis of the contextual arrangement of the objects that constitute the environment. Such knowledge is not limited to describing the visible characteristics of the scene; rather, it also entails the ability to reason about the relationships among the different objects and their semantic relevance, thereby providing a coherent and logical basis for the recognition process. Scene recognition is employed in a wide range of computer vision applications, including information retrieval, robotics, real-time monitoring, and event classification. In traditional machine learning approaches, features are defined and extracted manually or through feature selection methods, whereas in deep learning models, representations are learned and extracted automatically, often yielding higher accuracy and better overall performance. Although deep learning architectures have achieved acceptable results in scene recognition tasks, the problem remains far from being fully solved. In particular, deep learning algorithms struggle to acquire abstract concepts, do not attain a deep conceptual interpretation of content, fail to capture causal relationships, and require large volumes of data to reach satisfactory performance in specific scenarios. To address these limitations, semantic information that links objects within a scene can be incorporated into the robot self-localization process, thereby providing an additional source of information for interaction with the environment. In this context, this work proposes a model for indoor scene recognition that enhances the interaction between robots, their surroundings, and humans through the use of semantic information. The method relies on analyzing object context in images, selecting discriminative regions, and applying feature extraction techniques that maximize relevant information. By means of attention mechanisms, saliency maps are generated to identify key objects that contribute to efficient scene recognition. The final representation integrates local and global features constructed using generic feature-extraction architectures.