Sample records for topological mapping
from WorldWideScience.org

Sample records 1 - 2 shown.



1

Mapas auto-organizáveis aplicados ao mapeamento do potencial mineral na região de serra leste, província mineral de Carajás, Pará/ Self organizing maps applied to mineral potential mapping in the serra leste region, Carajás mineral province, state of Pará, Brazil

Leite, Emilson Pereira; Souza Filho, Carlos Roberto de
2010-09-01

Resumo em português Um Mapa Auto-Organizável (SOM - Self-Organizing Map) foi elaborado com o objetivo de integrar e procurar por padrões em dados geológicos e geofísicos (gamaespectrométricos e magnéticos) da região de Serra Leste, Província Mineral de Carajás. O SOM é um método de Rede Neural Artificial não-supervisionada que realiza um mapeamento não-linear de um espaço de dados multidimensionais para um arranjo bidimensional, preservando as relações topológicas dos dados (mais) originais durante o processo. O algoritmo K-means foi aplicado ao mapa produzido pelo SOM para reduzir o número de padrões mapeados de forma a facilitar a interpretação. O mapa reclassificado foi associado à posição geográfica de cada ponto na área de estudo e comparada a outro mapa classificado pelo método Fuzzy C-means, obtido com os mesmos dados de entrada e com o mesmo número de classes. Os resultados mostram a potencialidade do SOM para a produção de mapas integrados de maior qualidade a fim de dar suporte à exploração mineral. Resumo em inglês A Self-Organizing Map (SOM) was designed with the aim of integrating and searching for patterns in airborne geological and geophysical gamma-spectrometric and magnetic data of the Serra Leste region, Carajás Mineral Province. SOM is an unsupervised Artificial Neural Network method that performs a non-linear mapping from a high-dimensional data space to a 2-dimensional grid, whereas preserving the topological relations in the original data. The SOM grid can be efficiently (mais) used in an integrated visualization and understanding of the internal relationships in the data. The K-means algorithm is applied to the SOM grid to reduce the number of mapped patterns so as to facilitate interpretation. Unfolding of the clustered SOM grid associates each mapped pattern with the spatial position of each data point. The SOM reclassified map was compared with a classified map obtained with the Fuzzy C-means method for the same input data and with the same number of classes. The results show the potentiality of SOM in producing higher quality integrated maps to support mineral exploration.

Scientific Electronic Library Online (Portuguese)

2

Aprendizagem por imitação através de mapeamento Visuomotor baseado em imagens omnidirecionais

Vassallo, Raquel Frizera; Santos-Victor, José Alberto; Schneebeli, Hans Jörg Andreas
2007-03-01

Resumo em português Este trabalho propõe uma metodologia de aprendizagem que permite a um robô aprender uma tarefa adaptando-a e representando-a de acordo com a sua capacidade motora e sensorial. Primeiramente, um mapeamento sensoriomotor é criado e converte informação sensorial em informação motora. Depois, através de imitação, o robô aprende um conjunto de ações elementares formando um vocabulário motor. A imitação é baseada nas representações motoras obtidas com o mapea (mais) mento sensoriomotor. O vocabulário motor criado é então utilizado para aprender e realizar tarefas mais sofisticadas, compostas por seqüências ou combinações de ações elementares. Esta metodologia é ilustrada através de uma aplicação de mapeamento e navegação topológica com um robô móvel. O automovimento é utilizado como mapeamento visuomotor, convertendo o fluxo óptico em imagens omnidirecionais em informação motora (translação e rotação), a qual é usada para a criação de um vocabulário motor. A seguir, o vocabulário é utilizado para mapeamento e navegação topológica. Os resultados obtidos são interessantes e a abordagem proposta pode ser estendida a diferentes robôs e aplicações. Resumo em inglês We propose an approach that allows a robot to learn a task and represent/adapt it to its own motor repertoire. First the robot creates a sensorimotor map to convert sensorial information into motor data. Then learning happens through imitation, using motor representations. By imitating other agents, the robot learns a set of elementary motions that forms a motor vocabulary. That vocabulary can eventually be used to compose more complex actions, by combining basic actions, (mais) for each specific task domain. We illustrate the approach in a mobile robotics task: topological mapping and navigation. Egomotion estimation is used as a visuomotor map and allows the robot to learn a motor vocabulary coverting optical flow measurements from omnidirectional images into motor information. Then the learnt vocabulary is used for topological mapping and navigation.The approach can be extended to different robots and applications. Encouraging results are presented and discussed.

Scientific Electronic Library Online (Portuguese)