Βελτιστοποίηση της πόζας χρησιμοποιώντας ευθείες και σημεία φυγής σε σύστημα Visual SLAM μιας κάμερας

Abstract

Τις τελευταίες δεκαετίες ένα μεγάλο μέρος της επιστημονικής κοινότητας που ασχο- λούνται με τη ρομποτική έχει εστιάσει στην επίλυση του Simultaneous Localisation And Mapping (SLAM) προβλήματος, δηλαδή της ταυτόχρονης εκτίμησης της τροχιάς του ρομπο- τ/κάμερας και της 3∆ χαρτογράφησης του χώρου. Αυτό το είδος του προβλήματος, σε πολλά ρομπτό τα οποία φέρουν πολλαπλούς αισθητήρες και ο στόχος τους είναι, να εκτιμούν τη θέση τους στο χώρο και τη δυνατότητα αντίληψης του χώρου και ανακατασκευής του. Το πρόβλημα αυτό, αρχικά προσεγγίστηκε με στατιστικές μεθόδους και μεθόδους οπτικής οδο- μετρίας χωρίς όμως να δίνεται βάση στην ανακατασκευή και διατήρηση του χάρτη. Σήμερα, που η τεχνολογία αναπτύσσεται με γρήγορους ρυθμούς, η ερευνητική κοινότητα έχει στρέψει το ενδιαφέρον της σε λύσεις, που χρησιμοποιούν πολλαπλούς αισθητήρες για την αντίληψη του περιβάλλοντος. Επιπλέον, προτάσσονται λύσεις που εκτιμούν καλυτερα τη τροχιά του ρομπότ και είναι σε θέση, να διατηρήσουν και να ανακατασκευάσουν τον χάρτη και να παρέχουν λειτουργίες όπως αναγνώριση βρόχων και χώρων, αξιοποιώντας τες με συνέπεια την καλυτερη εκτίμηση της τροχιάς και ανακατασκευής του χώρου.Επίσης, παρουσιάζουν λύσεις, που αξιοποιούν αλγορίθμους μηχανικής μάθησης συνδυαστικά με τις υπάρχουσες λύσεις, προσφέροντας ακόμα παραπάνω λειτουργίες, όπως σημασιολογική κατάτμηση του χάρτη, προσφέροντας ακόμα παραπάνω δυνατότητες σε ένα ρομπότ.Επηρεασμένοι από όλα αυτά, διαλέξαμε να ασχοληθούμε με αλγορίθμους που αξιοποιούν την περιττή πληροφορία του περιβάλλοντος όπως η ανίχνευση ευθειών και σημείων φυγής για καλύτερη εκτίμηση και βελτίωση της τροχιάς του ρομπότ.Ακόμη, έχουμε επικεντρωθεί σε περιβάλλοντα εσωτε- ρικών χώρων σπιτιών, που έχουν γραφεία, επίπεδες επιφάνειες όπως τοίχοι, υπολογιστές, καρέκλες κ.α. Επομένως, με βάση το state of the art προτείνουμε μια λύση που επεκτείνει το πρώτο και χρησιμοποιεί μια κάμερα, εκμεταλλεύοντας τα σημεία φυγής για εκτίμηση και βελτιστοποίηση της πόζας. Τέλος, παρουσιάζουμε την απαραίτητη θεωρία για τη κατανόηση αυτών των ιδεών και δείχνουμε ότι η μέθοδος μας παρουσιάζει το ίδιο καλά και καλύτερα αποτελέσματα με το state of the art σε πραγματικά δεδομένα όπως το TUM-RGBD, σε αυτό του είδους τα περιβάλλοντα.