Learning Terrain Traversability for a Mobile Robot based on Information Fusion

• José Eleazar Peralta-Lopez ^[1] ; Emmanuel Antonio ^[2] ; Israel Becerra ^[2] ; Alejandro-Israel Barranco-Gutierrez ^[1] ; Rafael Murrieta ^[2]
  1. [1] Tecnológico Nacional de México

     Tecnológico Nacional de México

     México

     
  2. [2] Centro de Investigación en Matemáticas (CIMAT), México
• Localización: Inteligencia artificial: Revista Iberoamericana de Inteligencia Artificial, ISSN-e 1988-3064, ISSN 1137-3601, Vol. 28, Nº. 75, 2025, págs. 1-14
• Idioma: inglés
• Enlaces
  • Texto completo
• Resumen
  • English

    In this work, we propose an approach to determine terrain traversability for a car-like robot. Our approach has twomain modules: a neural network classifier that makes use of sensors’ readings to assign traversability levels to control inputs ofthe robot, and a second neural network that, based on the outputs of the first network, mimics the control selection performedby a human driver. The approach incorporates sensor fusion from a variety of sources to enhance the traversability estimation,and it is trained employing a semi-supervised learning scheme with examples resulting from the interaction of the car withthe environment. This semi-supervised system is based on the assumption that there exists a correlation between the appliedcontrol, the sensed behavior of the vehicle and the terrain traversability, thus avoiding laborious manual labeling. The methodis validated with data obtained from a physical electric car.

  • English

    En este trabajo, proponemos un método para determinar la transitabilidad del terreno para un robot similar a un automóvil. Nuestro enfoque tiene dos módulos principales: un clasificador de red neuronal, que utiliza las lecturas de los sensores para asignar niveles de transitabilidad para controlar un robot, y una segunda red neuronal que basándose en las salidas de la primera red, imita la selección de control realizada por un conductor humano. El enfoque incorpora la fusión sensorial de una variedad de fuentes para mejorar la estimación de la transitabilidad, y se entrena empleando un esquema de aprendizaje semi-supervisado con ejemplos resultantes de la interacción del automóvil con el medio ambiente. Este esquema semi-supervisado se basa en el supuesto de que existe una correlación entre el control aplicado, el comportamiento detectado del vehículo y la transitabilidad del terreno, lo cual hace posible evitar un laborioso etiquetado manual. El método se valida con datos obtenidos de un coche eléctrico físico.