LCLuis Alberto Chavarría-Zamora

Luis Alberto Chavarría-Zamora

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Luis Alberto Chavarría-Zamora has a total of 3 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Ciudades a la Vista: UAVs Autónomos para Mapas 3D sin LiDAR

    by Luis Alberto Chavarría-Zamora, Pablo Soto-Quirós

    En Costa Rica, la topografía urbana enfrenta el desafío de contar con sistemas LiDAR costosos y poco confiables en condiciones adversas como niebla o lluvia. Para superar estas limitaciones, se desarrolló una plataforma de UAVs autónomos de bajo costo que, equipados únicamente con cámaras RGB e IMU, generan mapas tridimensionales urbanos. La propuesta integra técnicas híbridas de estimación monocular de profundidad, combinando aprendizaje auto-supervisado y transferencia de conocimiento, junto con algoritmos de exploración colaborativa basados en enjambres, curvas de Bézier y modelado de feromonas en Neo4J. Tras validar el diseño en simulaciones (PyBullet/Pygame) y vuelos reales interiores, el sistema alcanzó una precisión de decenas de centímetros en profundidad, produjo nubes de puntos georreferenciadas y permitió segmentar semánticamente tráfico y obstáculos con ViT y YOLOv8. Los resultados demuestran que esta aproximación ofrece una alternativa viable y económica al LiDAR tradicional, con potencial para desplegar enjambres reales y optimizar recursos.

  • Open Access

    Proceso de percepción de los alrededores de sistemas UAV en entornos urbanos

    by Luis Alberto Chavarría-Zamora, Pablo Soto-Quiros

    Los sistemas de vehículos aéreos no tripulados (UAV) han ganado importancia en diversas aplicaciones debido a su capacidad para operar en entornos peligrosos o de difícil acceso. Sin embargo, la navegación segura y eficiente en entornos complejos como áreas urbanas o interiores de edificios plantea desafíos significativos en términos de percepción del entorno. La percepción precisa del entorno circundante es fundamental para que un UAV pueda construir un mapa 3D, detectar y evitar obstáculos, localizar puntos de interés y planificar trayectorias de vuelo seguras. Para abordar estos desafíos, los sistemas UAV integran una variedad de sensores, como cámaras RGB y de profundidad, radares, lídares y sensores in-erciales. Estos sensores permiten capturar información visual, geométrica y de movimiento del entorno. Además, se emplean técnicas avanzadas de procesamiento de señales, visión por computadora, aprendizaje automático y fusión sensorial para interpretar los datos de los sensores y construir una representación precisa del entorno en 3D. En el trabajo presentado, se logró generar una propuesta para la exploración de caminos en el interior de un espacio mediante la detección de puertas y pasillos utilizando YOLO, en conjunto con la estimación de fondo monocular. Se validaron los caminos y, con esta información, se generaron mapas para explorar un territorio. Se obtuvo una tasa de acierto del 86,9%, con algunos falsos positivos donde el modelo no detectó correctamente la profundidad. El mapa generado guarda un historial del agente que ha explorado el territorio, sirviendo como una opción para integrar con algoritmos de enjambre.

  • Open Access

    C-Product Toolbox : A Computational Package for Third‐Order Tensor Operations Based on the Reduced c ‐Product

    by Pablo Soto-Quiros, Samuel Valverde-Sanchez, Luis Chavarria-Zamora

    This paper introduces the C-Product Toolbox , a new computational package available for MATLAB and Python, designed to perform operations on third‐order tensors using a tensor product known as the reduced c ‐product. The reduced c ‐product is a variant of the known c ‐product, a tensor product based on the discrete cosine transform and belonging to a family of tensor products defined by invertible linear transformations. This work presents the theoretical development of the reduced c ‐product used and provides a detailed explanation of each tensor operation implemented in the computational package. Additionally, numerical experiments compare the C-Product Toolbox with an existing MATLAB toolbox that employs the t ‐product, a tensor product based on the discrete Fourier transform. The numerical experiments in this paper demonstrate that the C-Product Toolbox offers superior computational efficiency, achieving faster execution times and lower memory consumption. Furthermore, the practical advantages of the proposed methods are highlighted through an application in video denoising, showcasing the effectiveness of the toolbox in real‐world scenarios.

  • Open Access

    Perfilado de rendimiento de FPS para múltiples arquitecturas computacionales usando el algoritmo de reducción de neblina DCP

    by Allan Francisco Navarro-Brenes, Luis Alberto Chavarría-Zamora

    Este documento presenta una prueba de rendimiento creada para evaluar el desempeño de diferentes plataformas en la ejecución de un algoritmo de reducción de niebla basado en el “Dark Channel Prior” (DCP) [1]. El parámetro utilizado para la evaluación fue el número de cuadros por segundo (FPS, por sus siglas en inglés) que el dispositivo es capaz de procesar. Con esta herramienta se logra determinar aquellas arquitecturas que son aptas para ejecutar el algoritmo en tiempo real. El ambiente de pruebas se ejecutó en cuatro plataformas, un Google Pixel 3a, una Raspberry Pi 3B+, una GPU de NVIDIA y un procesador Intel x86. Se usaron los siguientes kits de desarrollo de software (SDK, por sus siglas en inglés) según la plataforma: Android NDK, Yocto Poky, CUDA y la cadena de herramientas GCC. La herramienta permitió recopilar, para cada plataforma, los FPS para distintos tamaños de imagen, con estos resultados se pueden escoger la arquitectura más idónea según el área de implementación (e.g., bajo consumo o HPC). El ambiente de pruebas se ejecutó en cuatro plataformas, un Google Pixel 3a, una Raspberry Pi 3B+, una GPU de NVIDIA y un procesador Intel x86. Se usaron los siguientes kits de desarrollo de software (SDK, por sus siglas en inglés) según la plataforma: Android NDK, Yocto Poky, CUDA y la cadena de herramientas GCC. La herramienta permitió recopilar, para cada plataforma, los FPS para distintos tamaños de imagen, con estos resultados se pueden escoger la arquitectura más idónea según el área de implementación (e.g., bajo consumo o HPC).