Spelling suggestions: "subject:"[een] METRIC-SEMANTIC MAPPING"" "subject:"[enn] METRIC-SEMANTIC MAPPING""
1 |
[en] REAL-TIME METRIC-SEMANTIC VISUAL SLAM FOR DYNAMIC AND CHANGING ENVIRONMENTS / [pt] SLAM VISUAL MÉTRICO-SEMÂNTICO EM TEMPO REAL PARA AMBIENTES EM MUDANÇA E DINÂMICOSJOAO CARLOS VIRGOLINO SOARES 05 July 2022 (has links)
[pt] Robôs móveis são cada dia mais importantes na sociedade moderna,
realizando tarefas consideradas tediosas ou muito repetitivas para humanos,
como limpeza ou patrulhamento. A maioria dessas tarefas requer um certo
nível de autonomia do robô. Para que o robô seja considerado autônomo,
ele precisa de um mapa do ambiente, e de sua posição e orientação nesse
mapa. O problema de localização e mapeamento simultâneos (SLAM) é a
tarefa de estimar tanto o mapa quanto a posição e orientação simultaneamente,
usando somente informações dos sensores, sem ajuda externa. O problema de
SLAM visual consiste na tarefa de realizar SLAM usando somente câmeras
para o sensoriamento. A maior vantagem de usar câmeras é a possibilidade
de resolver problemas de visão computacional que provêm informações de
alto nível sobre a cena, como detecção de objetos. Porém a maioria dos
sistemas de SLAM visual assume um ambiente estático, o que impõe limitações
para a sua aplicabilidade em cenários reais. Esta tese apresenta soluções
para o problema de SLAM visual em ambientes dinâmicos e em mudança.
Especificamente, a tese propõe um método para ambientes com multidões,
junto com um detector de pessoas customizado baseado em aprendizado
profundo. Além disso, também é proposto um método de SLAM visual para
ambientes altamente dinâmicos contendo objetos em movimento, combinando
um rastreador de objetos robusto com um algoritmo de filtragem de pontos.
Além disso, esta tese propõe um método de SLAM visual para ambientes em
mudança, isto é, em cenas onde os objetos podem mudar de lugar após o robô já
os ter mapeado. Todos os métodos propostos são testados com dados públicos
e experimentos, e comparados com diversos métodos da literatura, alcançando
um bom desempenho em tempo real. / [en] Mobile robots have become increasingly important in modern society,
as they can perform tasks that are tedious or too repetitive for humans,
such as cleaning and patrolling. Most of these tasks require a certain level
of autonomy of the robot. To be fully autonomous and perform navigation,
the robot needs a map of the environment and its pose within this map.
The Simultaneous Localization and Mapping (SLAM) problem is the task
of estimating both map and localization, simultaneously, only using sensor
measurements. The visual SLAM problem is the task of performing SLAM
only using cameras for sensing. The main advantage of using cameras is
the possibility of solving computer vision problems that provide high-level
information about the scene, such as object detection. However, most visual
SLAM systems assume a static environment, which imposes a limitation on
their applicability in real-world scenarios. This thesis presents solutions to
the visual SLAM problem in dynamic and changing environments. A custom
deep learning-based people detector allows our solution to deal with crowded
environments. Also, a combination of a robust object tracker and a filtering
algorithm enables our visual SLAM system to perform well in highly dynamic
environments containing moving objects. Furthermore, this thesis proposes
a visual SLAM method for changing environments, i.e., in scenes where the
objects are moved after the robot has already mapped them. All proposed
methods are tested in datasets and experiments and compared with several
state-of-the-art methods, achieving high accuracy in real time.
|
Page generated in 0.0231 seconds