Semana 19. Resultados y redacción

Esta semana he continuado con la evaluación de los resultados del dataset de GOOSE. Los resultados obtenidos muestran un comportamiento completamente dependiente de la complejidad semántica de la escena. En general, las mejores alineaciones se obtienen en aquellas escenas donde hay presencia de varias clases, ya que, la diversidad de estructuras y elementos aporta más información discriminativa para la evaluación de la métrica que usamos para ajustar la pose, facilitando una correspondencia más robusta entre la proyección LiDAR y la segmentación RGB. Por el contrario, en escenas dominadas únicamente por vegetación el rendimiento disminuye, debido a la falta de elementos distintivos y a la naturaleza más homogénea de esta clase, lo que provoca ambigüedades en la optimización y, en algunos casos, la aparición de rotaciones incorrectas o soluciones degeneradas. Además, se han identificado fallos asociados a desfases temporales demasiado grandes entre sensores: en ciertas escenas, algunos objetos como señales de tráfico están presentes en la nube de puntos LiDAR pero no aparecen en la imagen RGB, lo que introduce inconsistencias semánticas que dificultan la alineación y degradan la calidad del resultado final encontrado resultados incorrectos.

Además he continuado con la redacción de la memoria.