Dados do Trabalhos de Conclusão

INSTITUTO MILITAR DE ENGENHARIA
ENGENHARIA DE DEFESA (31007015011P8)
ANÁLISE DE SIMILARIDADE VISUAL EM FECHAMENTO DE LOOP ATRAVÉS DE REDUÇÃO DE DIMENSIONALIDADE DE DADOS VIA MAPEAMENTOS POR DIFUSÃO
LEANDRO APARECIDO SIMAL MOREIRA
TESE
26/04/2017

Esta tese descreve a detecção de fechamentos de loop em robótica móvel usando aná- lise de similaridade de imagens. Para atingir tal propósito, dado um conjunto de imagens, este será representado por um conjunto de autovetores dominantes (de matrizes de pixels ou de matrizes de des- critores locais SIFT ou SURF), e posteriormente submetido a um método espectral de redução de dimensionalidade de dados, baseado em grafos. Esse método é conhecido como Mapeamentos por Difusão e utiliza autovalores e autovetores de uma matriz de transição para construir um sistema de coordenadas em dimensão baixa, no qual os dados originais são mapeados. Uma vez concluído o processo anterior, é possível identi?car o fechamento de loop num espaço de baixa dimensão, sem utilizar vocabulário de palavras visuais nem conjuntos de treinamento. Para validar o método proposto, foram realizados experimentos utilizando diferentes conjuntos de imagens, desde os mais simples obtidos com câmera RGB, um benchmark da literatura, e dois conjuntos de imagens especí?cos da área de robótica: um obtido pelo simulador Gazebo e outro usando um robô real Pioneer 3DX. O método de detecção de fechamentos de loop elaborado nesta tese também foi com- binado a uma técnica de autolocalização probabilística, desenvolvida recentemente no Laboratório de Robótica e Inteligência Computacional do IME. Como resultado dessa combinação, foi possível reduzir o tempo total de simulação utilizando o método original de autolocalização, mantendo a qualidade da estimativa da localização do robô. Além disso, um método incremental para detecção de fechamentos de loop é apre- sentado, usando os mesmos conceitos do método anterior. A versão incremental combina uma técnica de janela deslizante de dados com transformação de coordenadas para atingir a redução de dimensionalidade de dados à medida que as imagens são coletadas. Nesta versão incremental, não é necessário utilizar imagens de treinamento e não há necessidade de fazer extensões de vizinhança local em um grafo global, técnicas que costumeiramente são empregadas no contexto de métodos de aprendizado de máquina existentes na litera- tura. Os resultados experimentais obtidos mostraram que o método proposto permite rea- lizar corretamente detecções de fechamento de loop a um custo computacional signi?ca- tivamente menor, se comparado à utilização da biblioteca OpenCV para análise visual. Além disso, o uso do método proposto em um ambiente simulado permitiu melhorar o tempo de simulação no método de autolocalização, mantendo a qualidade dos resultados.

Robótica móvel;SLAM;Teoria Espectral de Grafos;Redução de dimensionalidade de dados
This thesis describes loop closures detection in mobile robotics, using visual similarity analysis. In order to achieve such a purpose, a given set of images is represented by a set of do- minant eigenvectors (of matrices of pixels or matrices of local descriptors SIFT or SURF), and then subjected to a graph-based spectral method of data dimensionality reduction. This method is known as Di?usion Maps and uses eigenvalues and eigenvectors of a tran- sition matrix to construct a low-dimensional coordinate system to which the original data is mapped. Once the above process is completed, it is possible to identify loop closure in a low-dimensional space, without using vocabulary of visual words or training sets. To validate the proposed method, experiments were performed considering di?erent sets of images, from the simplest ones obtained with RGB camera, a benchmark of the literature, and two sets of images speci?c to the area of robotics, - one obtained by the Gazebo simulator and another using a robot Pioneer 3DX. The loop closure detection method developed in this thesis was also combined with a probabilistic autolocalization technique, recently developed in the Laboratory of Compu- tational Intelligence and Robotics at the Military Institute of Engineering. As a result of this combination, it was possible to reduce the total time of simulation (using the original autolocalization method) while maintaining the quality of the estimation of the robot localization. Furthermore, an incremental method for detecting loop closures is presented, using the same concepts from the previous method. The incremental version combines a data sliding window technique with coordinate transformation to achieve data dimensionality reduction while the images are collected. In this incremental version, it is neither neces- sary to use training images nor to do local neighborhood extensions in a global graph; techniques that are usually employed in the context of machine learning methods in the literature. Experimental results obtained show that the proposed method allows correctly perfor- ming loop closure detections, at a signi?cantly lower computational cost when compared to the use of the OpenCV library for visual analysis. In addition, the use of the proposed method in a simulated environment improves the simulation time in the autolocalization method while maintaining the quality of the results.
Mobile Robotics;SLAM;Graph spectral theory;Data dimension reduction
0
PORTUGUES
INSTITUTO MILITAR DE ENGENHARIA
O trabalho possui divulgação autorizada

Contexto

ENGENHARIA DE DEFESA
MECATRÔNICA E SISTEMAS DE ARMAS
MÚLTIPLOS MINI-VEÍCULOS AÉREOS NÃO TRIPULADOS EM VOOS COLABORATIVOS

Banca Examinadora

PAULO FERNANDO FERREIRA ROSA
DOCENTE - PERMANENTE
Sim
Nome Categoria
CLAUDIA MARCELA JUSTEL Docente - COLABORADOR
LEONARDO SILVA DE LIMA Participante Externo
JOSE ANTONIO APOLINARIO JUNIOR Docente - PERMANENTE
RICARDO TANSCHEIT Participante Externo
MAX SUELL DUTRA Participante Externo

Financiadores

Financiador - Programa Fomento Número de Meses
FUND COORD DE APERFEICOAMENTO DE PESSOAL DE NIVEL SUP - Programa de Demanda Social 48

Vínculo

Colaborador
Instituição de Ensino e Pesquisa
Ensino e Pesquisa
Sim