No description available.

As the demand for 3D maps from LIDAR scanners increases, delivering high-quality maps becomes critical. One way to ensure the quality of such maps is through point cloud alignment classification, which aims to classify the alignment error between two registered point clouds. Specifically, we present the classifier FACT (Feature-Aware Classification Transformer), consisting of two main modules: feature extraction and classification. Descriptive features are extracted from the joint point cloud, which are then processed by a point transformer-based neural network to predict the alignment error class. In a ten-class point cloud alignment classification test, FACT achieved 92.4% accuracy, where the alignment error ranged from zero meters and radians to 0.9 meters and 0.09 radians. Remarkably, the classifier only made one misprediction beyond neighboring classes, exhibiting its ability to detect alignment errors as the classes have an inherent order. Furthermore, when benchmarked on two binary classification tasks, FACT showed significantly superior performance over the baseline and even obtained 100.0% accuracy for the easier of the two tasks. FACT not only detects potential errors in 3D maps but also estimates their magnitude, leading to more reliable 3D maps with quality estimations for each transformation.

A utilização do sistema LiDAR na obtenção de dados da superfície da Terra vem se disseminando cada vez mais pelo alto desempenho na aquisição da informação e pela efetiva utilização dos produtos e subprodutos. Diversos segmentos passaram a adotar os produtos LiDAR como insumo básico e fundamental em suas rotinas de trabalho e estudos. O sucesso em um projeto que envolve aquisição e utilização desse tipo de dado está atrelado diretamente à definição e seu planejamento. O usuário deve ser capaz de definir o escopo básico e as diretrizes técnicas fundamentais que irão garantir que a demanda final seja alcançada. Diante disto se faz necessário elaborar um planejamento estabelecendo a melhor configuração para a aquisição dos dados e também os tipos de informações que serão extraídas destes produtos. Referente ao primeiro aspecto pode-se dizer que este é a base para a todo o projeto. Por meio dele é garantido a obtenção de produtos conforme a necessidade do usuário (resoluções espaciais dos produtos, o nível de detalhamento dos objetos, representação da topografia e outros). Muitos dos usuários que contratam serviços de perfilamento LiDAR não possuem embasamento técnico suficiente para definir a melhor especificação a ser adotada. Isto faz com que a maioria deles opte por adquirir uma alta densidade de pontos que, muitas vezes é desnecessária e ainda que atendam à demanda final tornam o projeto financeiramente oneroso. Esta pesquisa mostra que para um ambiente urbano regular, nuvens de pontos com baixas densidades (4 pts/m² e 8 pts/m²) apresentam uma equivalência na qualidade geométrica para produtos e subprodutos obtidos que serão utilizados para determinadas aplicações, não havendo a necessidade de utilizar nuvens com uma alta densidade (16 pts/m²) em projetos que utilizam estes dados em estudos altimétricos: geração do Modelo Digital de Terreno, curvas de nível, pontos cotados e também planimétricos: Modelo Digital de Elevação (Superfície e Normalizada) e seus derivados (altura e contorno de objetos, imagem de intensidade, cobertura vegetal e outros). / The use of the LiDAR system in obtaining data from the Earth\'s surface has been increasingly disseminated by the high performance in the acquisition of information and the effective use of products and by-products. Several segments started to adopt LiDAR products as basic and fundamental input in their works and studies. Success in a project that involves the acquisition and use of this type of data is directly linked to the definition and its planning. The user must be able to define the basic scope and the fundamental technical guidelines that will guarantee that the final demand is reached . In view of this, it is necessary to prepare a planning establishing the best configuration for the data acquisition and also the types of information that will be extracted from these products. Regarding the first aspect can be said that this is the basis for the whole project. Through it is guaranteed to obtain products according to the user is needs (spatial resolutions of the products, the level of detail of the objects, representation of the topography and others). Many of the users who hire LiDAR profiling services do not have sufficient technical background to define the best specification to adopt. This makes the majority of them choose to acquire a high density of points that is often unnecessary and even if they meet the final demand make the project financially costly. This research shows that for a regular urban environment, low point density clouds (4 pts/m² and 8 pts/m²) present an equivalence in the geometric quality for products and by-products obtained that will be used for certain applications. The need to use clouds with a high density (16 pts/m²) in projects that use this data in altimetric studies: generation of Digital Terrain Model, contourlines, quoted points and also planimetric: Digital Elevation Model (Surface and Normalized) and its derivatives (height and contour of objects, intensity image, vegetation cover and others).

There is an increasing concern in tackling the problems faced by the elderly community and physically in-locked people to lead an independent life experience problems with self- care. The need for developing service robots that can help people with mobility impairments is hence very essential. Developing a control framework for shared human-robot autonomy will allow locked-in individuals to perform the Activities of Daily Living (ADL) in a exible way. The relevant ADL scenarios were identi ed as handling objects, self-feeding, and opening doors for indoor nav- igation assistance. Multiple experiments were conducted, which demonstrates that the robot executes these daily living tasks reliably without requiring adjustment to the environment. The indoor manipulation tasks hold the challenge of dealing with a wide range of unknown objects. This thesis presents a framework developed for grasping without requiring a priori knowledge of the objects being manipulated. A successful manipulation task requires the combination of aspects such as envi- ronment modeling, object detection with pose estimation, grasp planning, motion planning followed by an e?cient grasp execution, which is validated by a 6+2 Degree of Freedom robotic manipulator.

Nos últimos anos, observamos o alvorecer de uma grande quantidade de aplicações que utilizam robôs autônomos. Para que um robô seja considerado verdadeiramente autônomo, é primordial que ele possua a capacidade de aprender sobre o ambiente no qual opera. Métodos de SLAM (Localização e Mapeamento Simultâneos) constroem um mapa do ambiente por onde o robô trafega ao mesmo tempo em que estimam a trajetória correta do robô. No entanto, para obter um mapa completo do ambiente de forma autônoma é preciso guiar o robô por todo o ambiente, o que é feito no problema de exploração. Câmeras são sensores baratos que podem ser utilizadas para a construção de mapas 3D. Porém, o problema de exploração em mapas gerados por métodos de SLAM monocular, i.e. que extraem informações de uma única câmera, ainda é um problema em aberto, pois tais métodos geram mapas esparsos ou semi-densos, que são inadequados para navegação e exploração. Para tal situação, é necessário desenvolver métodos de exploração capazes de lidar com a limitação das câmeras e com a falta de informação nos mapas gerados por SLAMs monoculares. Propõe-se uma estratégia de exploração que utilize mapas volumétricos locais, gerados através das linhas de visão, permitindo que o robô navegue em segurança. Nestes mapas locais, são definidos objetivos que levem o robô a explorar o ambiente desviando de obstáculos. A abordagem proposta visa responder a questão fundamental em exploração: "Para onde ir?". Além disso, busca determinar corretamente quando o ambiente está suficientemente explorado e a exploração deve parar. A abordagem proposta é avaliada através de experimentos em um ambiente simples (i.e. apenas uma sala) e em um ambiente compostos por diversas salas. / In recent years, we have seen the dawn of a large number of applications that use autonomous robots. For a robot to be considered truly autonomous, it is primordial that it has the ability to learn about the environment in which it operates. SLAM (Simultaneous Location and Mapping) methods build a map of the environment while estimating the robot’s correct trajectory. However, to autonomously obtain a complete map of the environment, it is necessary to guide the robot throughout the environment, which is done in the exploration problem. Cameras are inexpensive sensors that can be used for building 3D maps. However, the exploration problem in maps generated by monocular SLAM methods (i.e. that extract information from a single camera) is still an open problem, since such methods generate sparse or semi-dense maps that are ill-suitable for navigation and exploration. For such a situation, it is necessary to develop exploration methods capable of dealing with the limitation of the cameras and the lack of information in the maps generated by monocular SLAMs. We proposes an exploration strategy that uses local volumetric maps, generated using the lines of sight, allowing the robot to safely navigate. In these local maps, objectives are defined to lead the robot to explore the environment while avoiding obstacles. The proposed approach aims to answer the fundamental question in exploration: "Where to go?". In addition, it seeks to determine correctly when the environment is sufficiently explored and the exploration must stop. The effectiveness of the proposed approach is evaluated in experiments on single and multi-room environments.

Nowadays, LiDAR(Light Detection And Ranging, LiDAR) is the more important and widely applicable measurement technique. The rise of visual system in 3D is very useful to the measurement of LiDAR and gets more importance value for 3D reconstruction technology, in which abundant surface features are implied in the point cloud data. Combined with the image and laser technique for real-time rendering, the LiDAR will be more functional. This thesis proposes and designs a system which combined with Laser Range Finder and 3D visual interface for vehicles, and also equipped with rotary encoder and initial measurement unit to DR(Dead Reckoning) function. Through the coordinate transform method of 2D to 3D, the 3D coordinate of each point will be calculated, and embedded with the color information which captured from the camera to take 3D color point cloud collection. This method is also called Mobile Mapping System(MMS). In addition, this mapping system uses Direct Memory Access technology to display the point cloud synchronous in 3D visual system. Except for the point cloud collection, the reconstruction of point cloud data is used in this system. The surface reconstruction is based on Nearest Neighbor Interpolation method. There are two factors to conduct the interpolation process: the angle and distance between two sample points from the points sequence. The reconstruction of point cloud and calibration of DR is not only to confirm the accuracy of 3D point cloud map but also the ¡§New Geography¡¨ of the 3D electronic map. This research will build up an independent Mobile Mapping System.

一個視覺物體或一個三維模型的骨架，是一種可以揭示該物體或模型的拓樸結構的呈現方式，因此骨架可以被應用在諸多場合當中，例如形狀分析和電腦動畫。近年來，有許多針對從一個物體當中抽取骨架的研究工作。然而，大多數的研究著重於完整和乾淨的資料（儘管這些研究當中，有一些有將缺失值考慮在內），但在實務上，我們經常要處理不完整和不潔淨的資料，就像資料裡面可能有缺失值和雜訊。在本論文中，我們研究雜訊處理，而且我們將焦點放在針對帶有雜訊的點雲資料進行前置處理，以便生成相應物體的骨架。在我們提出的方法當中，我們首先識別可能帶有雜訊的資料點，然後降低雜訊值的影響。為了識別雜訊，我們將監督式學習用在以密度和距離作為特徵的資料上。為了降低雜訊值的影響，我們採用三角形表面和投影。這個前置處理方法是有彈性的，因為它可以搭配任何能夠從點雲資料當中抽取出物體的骨架的工具。我們用數個三維模型和多種設定進行實驗，而結果顯示本論文所提出的前置處理方法的有效性。與未經處理的模型（也就是原始模型加上雜訊）相比，在從帶有雜訊的點雲資料當中產生物體的骨架之前，如果我們先使用本論文所提出的前置處理方法，那麼我們可以得到一個包含更多原來的物體的拓撲特徵的骨架。我們的貢獻如下：第一，我們展示了機器學習可以如何協助電腦圖學。第二、針對雜訊識別，我們提出使用距離和密度做為學習過程中要用的特徵。第三、我們提出使用三角表面和投影，以減少在做雜訊削減時所需要花費的時間。第四、本論文提出的方法可以用於改進三維掃描。 / The skeleton of a visual object or a 3D model is a representation that can reveal the topological structure of the object or the model, and therefore it can be used in various applications such as shape analysis and computer animation. Over the years there have been many studies working on the extraction of the skeleton of an object. However, most of those studies focused on complete and clean data (even though some of them took missing values into account), while in practice we often have to deal with incomplete and unclean data, just as there might be missing values and noise in data. In this thesis, we study noise handling, and we put our focus on preprocessing a noisy point cloud for the generation of the skeleton of the corresponding object. In the proposed approach, we first identify data points that might be noise and then lower the impact of the noisy values. For identifying noise, we use supervised learning on data whose features are density and distance. For lowering the impact of the noisy values, we use triangular surfaces and projection. The preprocessing method is flexible, because it can be used with any tool that can extract skeletons from point clouds. We conduct experiments with several 3D models and various settings, and the results show the effectiveness of the proposed preprocessing approach. Compared with the unprocessed model (which is the original model with the added noise), if we apply the proposed preprocessing approach to a noisy point cloud before using a tool to generate the skeleton, we can obtain a skeleton that contains more topological characteristics of the model. Our contributions are as follows: First, we show how machine learning can help computer graphics. Second, we propose to use distance and density as features in learning for noise identification. Third, we propose to use triangular surfaces and projection to save execution time in noise reduction. Fourth, the proposed approach could be used to improve 3D scanning.

Nos últimos anos, observamos o alvorecer de uma grande quantidade de aplicações que utilizam robôs autônomos. Para que um robô seja considerado verdadeiramente autônomo, é primordial que ele possua a capacidade de aprender sobre o ambiente no qual opera. Métodos de SLAM (Localização e Mapeamento Simultâneos) constroem um mapa do ambiente por onde o robô trafega ao mesmo tempo em que estimam a trajetória correta do robô. No entanto, para obter um mapa completo do ambiente de forma autônoma é preciso guiar o robô por todo o ambiente, o que é feito no problema de exploração. Câmeras são sensores baratos que podem ser utilizadas para a construção de mapas 3D. Porém, o problema de exploração em mapas gerados por métodos de SLAM monocular, i.e. que extraem informações de uma única câmera, ainda é um problema em aberto, pois tais métodos geram mapas esparsos ou semi-densos, que são inadequados para navegação e exploração. Para tal situação, é necessário desenvolver métodos de exploração capazes de lidar com a limitação das câmeras e com a falta de informação nos mapas gerados por SLAMs monoculares. Propõe-se uma estratégia de exploração que utilize mapas volumétricos locais, gerados através das linhas de visão, permitindo que o robô navegue em segurança. Nestes mapas locais, são definidos objetivos que levem o robô a explorar o ambiente desviando de obstáculos. A abordagem proposta visa responder a questão fundamental em exploração: "Para onde ir?". Além disso, busca determinar corretamente quando o ambiente está suficientemente explorado e a exploração deve parar. A abordagem proposta é avaliada através de experimentos em um ambiente simples (i.e. apenas uma sala) e em um ambiente compostos por diversas salas. / In recent years, we have seen the dawn of a large number of applications that use autonomous robots. For a robot to be considered truly autonomous, it is primordial that it has the ability to learn about the environment in which it operates. SLAM (Simultaneous Location and Mapping) methods build a map of the environment while estimating the robot’s correct trajectory. However, to autonomously obtain a complete map of the environment, it is necessary to guide the robot throughout the environment, which is done in the exploration problem. Cameras are inexpensive sensors that can be used for building 3D maps. However, the exploration problem in maps generated by monocular SLAM methods (i.e. that extract information from a single camera) is still an open problem, since such methods generate sparse or semi-dense maps that are ill-suitable for navigation and exploration. For such a situation, it is necessary to develop exploration methods capable of dealing with the limitation of the cameras and the lack of information in the maps generated by monocular SLAMs. We proposes an exploration strategy that uses local volumetric maps, generated using the lines of sight, allowing the robot to safely navigate. In these local maps, objectives are defined to lead the robot to explore the environment while avoiding obstacles. The proposed approach aims to answer the fundamental question in exploration: "Where to go?". In addition, it seeks to determine correctly when the environment is sufficiently explored and the exploration must stop. The effectiveness of the proposed approach is evaluated in experiments on single and multi-room environments.

A utilização do sistema LiDAR na obtenção de dados da superfície da Terra vem se disseminando cada vez mais pelo alto desempenho na aquisição da informação e pela efetiva utilização dos produtos e subprodutos. Diversos segmentos passaram a adotar os produtos LiDAR como insumo básico e fundamental em suas rotinas de trabalho e estudos. O sucesso em um projeto que envolve aquisição e utilização desse tipo de dado está atrelado diretamente à definição e seu planejamento. O usuário deve ser capaz de definir o escopo básico e as diretrizes técnicas fundamentais que irão garantir que a demanda final seja alcançada. Diante disto se faz necessário elaborar um planejamento estabelecendo a melhor configuração para a aquisição dos dados e também os tipos de informações que serão extraídas destes produtos. Referente ao primeiro aspecto pode-se dizer que este é a base para a todo o projeto. Por meio dele é garantido a obtenção de produtos conforme a necessidade do usuário (resoluções espaciais dos produtos, o nível de detalhamento dos objetos, representação da topografia e outros). Muitos dos usuários que contratam serviços de perfilamento LiDAR não possuem embasamento técnico suficiente para definir a melhor especificação a ser adotada. Isto faz com que a maioria deles opte por adquirir uma alta densidade de pontos que, muitas vezes é desnecessária e ainda que atendam à demanda final tornam o projeto financeiramente oneroso. Esta pesquisa mostra que para um ambiente urbano regular, nuvens de pontos com baixas densidades (4 pts/m² e 8 pts/m²) apresentam uma equivalência na qualidade geométrica para produtos e subprodutos obtidos que serão utilizados para determinadas aplicações, não havendo a necessidade de utilizar nuvens com uma alta densidade (16 pts/m²) em projetos que utilizam estes dados em estudos altimétricos: geração do Modelo Digital de Terreno, curvas de nível, pontos cotados e também planimétricos: Modelo Digital de Elevação (Superfície e Normalizada) e seus derivados (altura e contorno de objetos, imagem de intensidade, cobertura vegetal e outros). / The use of the LiDAR system in obtaining data from the Earth\'s surface has been increasingly disseminated by the high performance in the acquisition of information and the effective use of products and by-products. Several segments started to adopt LiDAR products as basic and fundamental input in their works and studies. Success in a project that involves the acquisition and use of this type of data is directly linked to the definition and its planning. The user must be able to define the basic scope and the fundamental technical guidelines that will guarantee that the final demand is reached . In view of this, it is necessary to prepare a planning establishing the best configuration for the data acquisition and also the types of information that will be extracted from these products. Regarding the first aspect can be said that this is the basis for the whole project. Through it is guaranteed to obtain products according to the user is needs (spatial resolutions of the products, the level of detail of the objects, representation of the topography and others). Many of the users who hire LiDAR profiling services do not have sufficient technical background to define the best specification to adopt. This makes the majority of them choose to acquire a high density of points that is often unnecessary and even if they meet the final demand make the project financially costly. This research shows that for a regular urban environment, low point density clouds (4 pts/m² and 8 pts/m²) present an equivalence in the geometric quality for products and by-products obtained that will be used for certain applications. The need to use clouds with a high density (16 pts/m²) in projects that use this data in altimetric studies: generation of Digital Terrain Model, contourlines, quoted points and also planimetric: Digital Elevation Model (Surface and Normalized) and its derivatives (height and contour of objects, intensity image, vegetation cover and others).

Nos últimos anos, observamos o alvorecer de uma grande quantidade de aplicações que utilizam robôs autônomos. Para que um robô seja considerado verdadeiramente autônomo, é primordial que ele possua a capacidade de aprender sobre o ambiente no qual opera. Métodos de SLAM (Localização e Mapeamento Simultâneos) constroem um mapa do ambiente por onde o robô trafega ao mesmo tempo em que estimam a trajetória correta do robô. No entanto, para obter um mapa completo do ambiente de forma autônoma é preciso guiar o robô por todo o ambiente, o que é feito no problema de exploração. Câmeras são sensores baratos que podem ser utilizadas para a construção de mapas 3D. Porém, o problema de exploração em mapas gerados por métodos de SLAM monocular, i.e. que extraem informações de uma única câmera, ainda é um problema em aberto, pois tais métodos geram mapas esparsos ou semi-densos, que são inadequados para navegação e exploração. Para tal situação, é necessário desenvolver métodos de exploração capazes de lidar com a limitação das câmeras e com a falta de informação nos mapas gerados por SLAMs monoculares. Propõe-se uma estratégia de exploração que utilize mapas volumétricos locais, gerados através das linhas de visão, permitindo que o robô navegue em segurança. Nestes mapas locais, são definidos objetivos que levem o robô a explorar o ambiente desviando de obstáculos. A abordagem proposta visa responder a questão fundamental em exploração: "Para onde ir?". Além disso, busca determinar corretamente quando o ambiente está suficientemente explorado e a exploração deve parar. A abordagem proposta é avaliada através de experimentos em um ambiente simples (i.e. apenas uma sala) e em um ambiente compostos por diversas salas. / In recent years, we have seen the dawn of a large number of applications that use autonomous robots. For a robot to be considered truly autonomous, it is primordial that it has the ability to learn about the environment in which it operates. SLAM (Simultaneous Location and Mapping) methods build a map of the environment while estimating the robot’s correct trajectory. However, to autonomously obtain a complete map of the environment, it is necessary to guide the robot throughout the environment, which is done in the exploration problem. Cameras are inexpensive sensors that can be used for building 3D maps. However, the exploration problem in maps generated by monocular SLAM methods (i.e. that extract information from a single camera) is still an open problem, since such methods generate sparse or semi-dense maps that are ill-suitable for navigation and exploration. For such a situation, it is necessary to develop exploration methods capable of dealing with the limitation of the cameras and the lack of information in the maps generated by monocular SLAMs. We proposes an exploration strategy that uses local volumetric maps, generated using the lines of sight, allowing the robot to safely navigate. In these local maps, objectives are defined to lead the robot to explore the environment while avoiding obstacles. The proposed approach aims to answer the fundamental question in exploration: "Where to go?". In addition, it seeks to determine correctly when the environment is sufficiently explored and the exploration must stop. The effectiveness of the proposed approach is evaluated in experiments on single and multi-room environments.