Image-Based Mapping and Localization using VG-RAM Weightless Neural Networks
Nome: LAURO JOSE LYRIO JUNIOR
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 25/08/2014
Orientador:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Orientador |
| THIAGO OLIVEIRA DOS SANTOS | Co-orientador |
Banca:
| Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Orientador |
| CLAUDINE SANTOS BADUE | Examinador Interno |
| MARLEY MARIA BERNARDES REBUZZI VELLASCO | Examinador Externo |
| THIAGO OLIVEIRA DOS SANTOS | Coorientador |
Resumo: Localização e Mapeamento são problemas fundamentais da robótica autônoma. Robôs autônomos necessitam saber onde se encontram em sua área de operação para navegar pelo ambiente e realizar suas atividades de interesse. Neste trabalho, apresentamos um sistema para mapeamento e localização baseado em imagens que emprega Redes Neurais Sem Peso do Tipo VG-RAM (RNSP VG-RAM) para um carro autônomo.
No nosso sistema, uma RNSP VG-RAM aprende posições globais associadas à imagens e marcos tridimensionais capturados ao longo de uma trajetória, e constrói um mapa baseado nessas informações. Durante a localização, o sistema usa um Filtro Estendido de Kalman para integrar dados de sensores e do mapa ao longo do tempo, através de passos consecutivos de predição e correção do estado do sistema. O passo de predição é calculado por meio do modelo de movimento do nosso robô, que utiliza informações de velocidade e ângulo do volante, calculados a partir de imagens utilizando-se odometria visual. O passo de correção é realizado através da integração das posições globais que a RNSP VG-RAM com a correspondência dos marcos tridimensional previamente armazenados no mapa do robô.
Realizamos experimentos com o nosso sistema usando conjuntos de dados do mundo real. Estes conjuntos de dados consistem em dados provenientes de vários sensores de um carro autônomo, que foram sistematicamente adquiridos durante voltas ao redor do campus principal da UFES (um circuito de 3,57 km). Nossos resultados experimentais mostram que nosso sistema é capaz de aprender grandes mapas (vários quilômetros de comprimento) e realizar a localização global e rastreamento de posição de carros autônomos, com uma precisão de 0,2 metros quando comparado à abordagem de Localização de Monte Carlo utilizado no nosso veículo autônomo.
