Ταυτοποίηση Τριδιάστατων Επιπέδων Βάσει Αβεβαιοτήτων

Abstract

Μία από τις βασικότερες εργασίες των κινουμένων ρομπότ είναι η απόκτηση μοντέλων του περιβάλλοντος. Τα τελευταία χρόνια η έρευνα έχει επικεντρωθεί στο πρόβλημα της ταυτόχρονης χαρτογράφησης και εκτίμησης θέσης για το ρομπότ (simultaneous localization and mapping - SLAM) και ειδικά στο 3D SLAM. Η σημαντικότερη υποεργασία του SLAM είναι η διαδικασία ταυτοποίησης διαδοχικών σαρώσεων του χώρου που λαμβάνεi το ρομπότ (scan registration), που ασχολείται με τον προσδιορισμό της κίνησης του ρομπότ μεταξύ διαδοχικών λήψεων δεδομένων, βάσει του σχήματος επικαλυπτόμενων τμημάτων των σαρώσεων. Μία ακριβής εκτίμηση της στάσης (pose, θέσης και προσανατολισμού) του ρομπότ ενισχύει επίσης την αυτονομία του επιτρέποντάς του να πλοηγηθεί στην επιθυμητή θέση-στόχο στο χάρτη. Έχουν προταθεί διάφορες προσεγγίσεις για επίλυση προβλημάτων SLAM σε άγνωστα περιβάλλοντα. Ωστόσο, οι περισσότερες από αυτές χρησιμοποιούν ταυτοποίηση σαρώσεων που βασίζεται σε 3D σημεία και οδομετρικές μετρήσεις ως αρχική υπόθεση καθιστώντας τες μη αποδοτικές σε θέματα υπολογιστικού χρόνου και κατανάλωσης μνήμης και μη αποστάσεις, ειδικά σε ένα τραχύ περιβάλλον. Σε αυτή την εργασία, θα επικεντρωθούμε στην ακριβή και αποδοτική εξαγωγή επιπέδων τμημάτων από τριδιάστατα νέφη σημείων (3D point clouds) και στην εκτίμηση της στάσης του ρομπότ με βάση τεχνικές ταυτοποίησης επιπέδων, αφού ο μικρότερος αριθμός επιπέδων οδηγεί σε μεγαλύτερη αποδοτικότητα. Προς αποφυγή του οδομετρικού σφάλματος, δεν θα χρησιμοποιηθούν πληροφορίες οδομετρικών μετρήσεων. Αντί αυτού, δημιουργούμε αντιστοιχήσεις μεταξύ επιπέδων διαδοχικών σαρώσεων. Γίνονται συγκεκριμένες υποθέσεις αβεβαιότητας για τη στάση του ρομπότ, που παράγουν μία αβεβαιότητα στα χαρακτηριστικά των επιπέδων, η οποία μοντελοποιείται ως μία κατανομή Gauss. Στη συνέχεια, το πρόβλημα της ταυτοποίησης διαμορφώνεται ως μία επαναληπτική βελτιστοποίηση στις αντιστοιχήσεις των επιπέδων σε κάθε βήμα.